Pytania z ESI
1. Istota inteligencji sztucznej
Sztuczna inteligencja rozwiązuje problemy efektywnie niealgorytmizowalne w oparciu o modele wiedzy. Jest to nauka, której zadaniem jest nauczyć maszyny zachowania podobnego do ludzi, nauczyć je wykonywać rzeczy, które ludzie aktualnie robią lepiej, to nauka o obliczeniach, które umożliwiają rozumienie, rozumowanie i działanie. Zajmuje się sprawianiem, by maszyny mogły wykonywać zadania, które od ludzi wymagają inteligencji, a więc zdolności przystosowywania, dostrzegania abstrakcji i korzystania z uprzednich doświadczeń oraz kontrolowaniu własnych procesów poznawczych.
Sztuczna inteligencja zaliczana jest do nauk kognitywnych, choć nie wszystkie jej metody mają coś wspólnego z umysłem.
Inteligencja obliczeniowa ma za zadanie rozwiązywanie zagadnień efektywnie niealgorytmizowalnych.
Sieci neuronowe w sztucznej inteligencji są ucieleśnieniem teorii konekcjonizmu, a więc uczenia się poprzez powstawanie połączeń między bodźcami a reakcjami w centralnym układzie nerwowym.
Kognitywizm to dziedzina psychologii badająca procesy poznawcze. Kongitywistyka interdyscyplinarna zajmuje się poszerzaniem badań nad kognitywistyką na obszar procesów myślenia naturalnego i sztucznego.
CI to metoda numeryczna.
AI to metoda symboliczna.
Do dziedzin zaliczanych do AI należą:
• Soft computing, logika rozmyta, sieci neuronowe, algorytmy ewolucyjne, metody statystyczne, rozpoznawanie wzorców, systemy ekspertowe, data mining, wizualizacja, metody statystyczne
Sztuczna inteligencja to dziedzina informatyki dotycząca meyod i technik wnioskowania symbolicznego przez komputer oraz symbolicznej reprezentacji wiedzy stosowanej podczas takiego wnioskowania.
Sztuczna inteligencja to dział informatyki zajmujący się konstruowaniem maszyn i algorytmów, których działanie posiada znamiona inteligencji. Rozumie się przez to zdolność do samorzutnego przystosowywania się do zmiennych warunków, podejmowania skomplikowanych decyzji, uczenia się, rozumowania abstrakcyjnego. Celem sztucznej inteligencji jest stworzenie maszyn o inteligencji dorównującej ludzkiej, a nawet ją przewyższającej.
2. Podać i opisać kryteria, które powinien spełniać sztuczny system inteligentny
• Symulacja procesów naturalnych ( z użyciem testu Turinga)
• Inteligentne czynności – według Turinga należało do nich granie w szachy, czy prowadzenie sensownej rozmowy, dowodzenie twierdzeń matematycznych:
o Użycie heurystyk
o Uczenie się
• Racjonalne sprawstwo – zdolność systemu komputerowego do inicjowania działań, które są sensowne w określonym środowisku, a następnie do skutecznego kierowania tymi działaniami. A więc system jest inteligentny wtedy, gdy jest on sprawcą, a nie tylko wykonawcą poleceń, a więc jest podmiotem własnych działań. Racjonalny sprawca musi być wyposażony w system motywacji oraz wiedzę o otoczeniu.
Mówiąc o systemie inteligentnym będziemy mieli na myśli program będący w stanie konkurować z ekspertem w wąskiej wyspecjalizowanej dziedzinie.
System inteligentny:
• Myśli jak człowiek
• Myśli racjonalnie
• Zachowuje się jak człowiek
• Zachowuje się racjonalnie
3. Istota testu Turinga (wady i zalety)
Jak dotąd żaden komputer nie zaliczył testu Turinga. Test wygląda następująco: sędzia – człowiek prowadzi rozmowę w języku naturalnym z pozostałymi stronami. Jeśli sędzia nie jest w stanie wiarygodnie określić, czy któraś ze stron jest maszyną lub człowiekiem, oznacza to, że maszyna przeszła test. Zakłada się, że zarówno maszyna jak i człowiek próbują przejść test zachowując się w sposób możliwie podobny do ludzkiego.
Do wad testu Turinga należą:
• Ograniczenie badania jedynie do umiejętności konwersacyjnej (symbolicznej), bez badania percepcji zmysłowej ani umiejętności manualnych
• Założenie, że inteligencja może występować tylko w postaci ludzkiej
Zalety testu Turinga:
• Obiektywność – badane było zachowanie istoty rozumnej w kontekście pewnego zbioru pytań
• Zignorowanie wątpliwości dotyczących rozstrzygnięcia, czy komputer podejmuje decyzje świadomie czy nieświadomie
• Eliminacja tendencji do preferowania inteligencji organizmów żywych nad inteligencję maszyn, ponieważ test odbywał się tylko poprzez przesyłanie odpowiedzi na zadawane pytania
4. Sformułować kluczowe zagadnienia AI
• Rozwiązywanie problemów typu gry i zagadki logiczne
• Szukanie i redukcja problemów z użyciem obliczeń symbolicznych przy pomocy programów algebry komputerowej
• Rozumowanie logiczne i dowodzenie twierdzeń, np. Deep Blue – twierdzenie Robbinsa
• Manipulowanie obiektami z bazy zapisanych jako dykretne struktury danych, wybór istotnych faktów i hipotez
• Projektowanie układów logicznych
• Tłumaczenie języka naturalnego, rozumienie mowy naturalnej
• Budowa baz danych z tekstów
• Programowanie automatyczne, modyfikowanie swojego własnego programu
• Ekspertyzy, systemy doradcze, inżynieria wiedzy
• Robotyka i wizja, rozpoznanie obrazu, kształtów i cech przedmiotów, sterowanie robotami
• Języki programowania w AI
• Uczenie się, uczenie maszynowe, sieci neuronowe, logika rozmyta
5. Na czym polega słaba i silna wersja AI
Słaba wersja AI – komputer pozwala formułować i sprawdzać hipotezy dotyczące mózgu. Możliwa jest komputerowa symulacja inteligentnego działania niebiologicznymi metodami. Ta wersja AI nie ma wielu oponentów, gdyż jest wiele dowodów na jej oczywistą przydatność
Silna wersja AI – komputer odpowiednio zaprogramowany jest w istotny sposób równoważny mózgowi i może mieć stany poznawcze, komputer nie jest jedynie narzędziem do studiowania umysły, raczej odpowiednio zaprogramowany komputer jest w rzeczywistości umysłem. Formy silnej sztucznej inteligencji mogą posiadać wszystkie atrybuty dostępne umysłowi ludzkiemu, stąd często dyskutuje się o prawdziwości tej formy inteligencji i o zagrożeniach z nią związanymi
6. Czym jest wiedza?
W kontekście sztucznej inteligencji termin inżynieria wiedzy dotyczy budowania baz wiedzy. Podstawowym zagadnieniem tej inżynierii jest zbieranie i formalizacja wiedzy.
Epistemologia to nauka o naturze wiedzy.
Wiedza może być interpretowana:
• W kontekście filozoficznym – jako zbiór uzasadnionych przekonań
• W ujęciu naukowym – jako zbiór uzasadnionych logicznie lub empirycznie stwierdzeń, które można poddawać falsyfikacji lub krytyce
• W ujęciu potocznym – jako zbiór doświadczeń i przekonań
• Wiedza to zinterpretowana, skategoryzowana informacja
• Psychologiczny rezultat poznania
• Suma tego co się wie
Wiedz proceduralna to wiedza o obiektach, metodach i reprezentacji oraz zdarzeniach oraz znajomość następstw skutkowo-przyczynowych oraz ich sekwencji w czasie.
Istotnym pytaniem jest dociekanie czy wiedzę tworzymy czy odkrywamy?
7. Co to jest heurystyka ?
Heurystyka to reguła pozwalająca ograniczyć zakres przeszukiwania pola problemowego, a tym samym skrócić czas rozwiązywania problemu.
Są to wszelkie prawa, kryteria, zasady i intuicje, które umożliwiają wybranie najbardziej efektywnych kierunków działania prowadzącego do osiągnięcia danego celu.
W systemach ekspertowych heurystyka rozumiana jest jako:
• Praktyczna strategia poprawiająca efektywność rozwiązywania złożonych problemów
• Prowadzi do najkrótszego, najbardziej prawdopodobnego rozwiązania
• Podaje proste kryterium wyboru kierunków postępowania
• Powinna umożliwić uniknięcie badania ślepych uliczek
8. Przedstawić główne aspekty (ujęcia)reprezentacji wiedzy
W sztucznej inteligencji reprezentację wiedzy uważa się za kombinację struktur danych i procedur interpretacyjnych tak dobranych, że ich właściwe użycie prowadzić będzie do inteligentnego zachowania.
• Syntaktyka, czyli struktury reprezentacji
• Semantyka, czyli znaczenie reprezentowanej wiedzy (interpretacja)
• Wnioskowanie, czyli proces, w wyniku którego wiedzę wykorzystuje się do wyprowadzenia wniosków
9. Przedstawić piramidę epistemologiczną następujących pojęć: dane, informacja, wiedza, mądrość
Dane i informacje poddają się komputeryzacji, zaś wiedza i mądrość nie.
Dane są to pojedyncze, obiektywne fakty o zdarzeniach. Są bezkontekstowe.
Informacja to dane, które nabrały znaczenia przez wprowadzenie kontekstu. Są to wiadomości w postaci dokumentu lub komunikatu audiowizualnego, której celem jest zmiana sposobu postrzegania sytuacji na sąd lub zachowanie.
Wiedza to informacja połączona ze zrozumieniem i możliwością jej wykorzystania. To uogólniona informacja o szerszym zastosowaniu. Informacja + zastosowanie = wiedza.
10. Architektura systemów opartych na wiedzy
Baza wiedzy systemu ekspertowego składa się z faktów, bazy reguł, bazy ograniczeń, bazy rad, bazy modeli, bazy tekstów, bazy danych
11. Podaj definicję systemu ekspertowego
System ekspertowy – to system informatyczny wykorzystujący procedury wnioskowania do rozwiązywania problemów, które są na tyle trudne, że wymagają znaczącej ekspertyzy specjalistów. Celem systemu ekspertowego jest zastąpienie pracy eksperta w danej dziedzinie.
System ekspertowy powinien:
• Rozumieć i analizować problem
• Wybierać fakty niezbędne do wykonania ekspertyzy
• Udzielać porad
• Wyjaśniać sposób rozwiązania danego problemu
W wyniku wnioskowania otrzymujemy:
• Diagnozy – oceniany jest stan bieżący
• Prognozy – przewidywanie stanu przyszłego na podstawie znanych faktów, reguł i danych. Takie systemy nazywamy predykcyjnymi.
• Plany – opis pewnego stanu, do którego należy dążyć
Można uznać, że system ekspertowy = system wnioskujący + baza wiedzy
Do podstawowych problemów systemów ekspertowych należą:
• Pozyskiwanie, akwizycja wiedzy
• Reprezentacja bazy wiedzy
• Sposób użycia wiedzy
• Objaśnienie i uczenie się
Celem systemów ekspertowych jest wykreowanie modelu ekspertyzy, na którą składają się wiedza wraz z procedurami wnioskowania
12. Przedstaw architekturę (modułową) systemu ekspertowego
System ekspertowy składa się z:
• Modułu sterującego
• Modułu objaśnień,
• Modułu wnioskowania
• Modułu akwizycji wiedzy (pozyskiwania)
• Bazy wiedzy
• Interfejsu użytkownika
13. Przedstaw wymagania systemu reprezentacji wiedzy
• Posiadać zdolność reprezentacji wiedzy – czyli zdolność do reprezentowania wiedzy wszystkich typów wymaganych w danej dziedzinie
• Posiadać zdolność wnioskowania – czyli zdolność manipulowania strukturami reprezentacji, aby tworzyć nowe struktury odpowiadające nowej wiedzy wyprowadzonej z dotychczasowej
• Zapewniać efektywność wnioskowania – zdolność wbudowywania dodatkowej informacji do struktury wiedzy tak, aby skoncentrować uwagę mechanizmu wnioskującego na najbardziej obiecujących kierunkach
• Zapewniać efektywność pozyskiwania wiedzy – czyli zdolność łatwego pozyskiwania nowych informacji
14. Omów dwa podstawowe rodzaje wiedzy
• Wiedza deklaratywna – do której należą definicje, klasyfikacje, opis pojęć, ról, relacji, mówi czym rozwiązać problem
• Wiedza proceduralna – know how – opis procesów i strategii postępowania, metody, algorytmy – jak rozwiązać problem
15. Podaj klasyfikację metod reprezentacji wiedzy
• Formuły
• Procedury
• Reguły
• Struktury
Lub
• Symboliczne:
o Bazujące na zastosowaniu logiki
o Z wykorzystaniem sieci semantycznych
o Metody oparte na ramach (ramy, klatki, fasety)
o Metody używające modeli obliczeniowych
• Niesymboliczne
o Sztuczne sieci neuronowe
o Algorytmy genetyczne
• Inne:
o Język naturalny, tablice decyzyjne, drzewka decyzyjne, sieci Bayesa, scenariusze, UML, ontologie, XML
16. Przedstaw istotę regułowej reprezentację wiedzy
Reguły są najprostszą reprezentacją wiedzy. Z przesłanek wypływają konkluzje. Działanie reguły zgodne jest ze schematem modus ponens – jeśli p implikuje logicznie Q i P jest prawdziwe to Q też jest prawdziwe. Najczęście stosowaną postacią reguł jest klauzula Horna, czyli a i b i c i d → f
Rozróżniamy dwa rodzaje reguł ze względu na sposób uzyskiwania ostatecznych konkluzji w procesie wnioskowania:
• Proste – takie, które mają postać wniosków pośrednich
• Złożone – takie, które umożliwiają bezpośrednie wyznaczenie wniosków przez system
Mogą one być prezentowane jako:
• Zbiór warunków
• W postaci drzewa decyzyjnego
W skład regułowej bazy wiedzy wchodzą:
• Fakty – uznane za prawdziwe informacje dotyczące opisywanej dziedziny
• Reguły – związki zachodzące między faktami w formie „jeżeli przesłanka to wniosek”
W wyniku odpalenia reguły, wniosek z niej wynikający jest dodawany do bazy faktów. Wniosek jednej reguły może stanowić przesłankę dla innej – jest to wniosek pośredni. Wniosek, który stanowi odpowiedź na zadane pytanie jest wnioskiem końcowym.
Reguły złożone nie wymagają zaawansowanych systemów wnioskujących, gdyż reguła złożona, daje odpowiedź w konkluzji. Jednak trudność istnieje w sposobie formułowania tych reguł oraz ich weryfikacji. Stąd bezpieczniej stosować reguły proste, które łatwo weryfikować. Wadą jest konieczność wykonywania złożonych działań przez maszynę wnioskującą, ponieważ trzeba uaktywnić wiele reguł. Kolejne udowodnione wnioski pośrednie tworzą łańcuch wnioskowania.
17. Co to jest ontologia co można wyrażać w ramach tzw. ontologii wyższej
18. Sieci semantyczne jako ontologiczny sposób reprezentacji wiedzy (definicja, przeznaczenie, przykłady)
Sieć semantyczna – formalny język graficzny umożliwiający reprezentowanie faktów dotyczących obiektów świata rzeczywistego. Jest graficznym zapisem asercji logicznych (czyli faktów) – najczęściej w postaci grafów.
W sieciach semantycznych wiedza jest reprezentowana jako zbiór węzłów (pojęć) połączonych etykietowanymi łukami, które reprezentują relacje między węzłami. Sieci semantyczne stosuje się do automatycznego tłumaczenia tekstów, hypertextu, HTML, XML, Wikipedii
Sieci semantyczne umożliwiają wnioskowanie z dziedziczeniem. Realizują metodę od nitki do głębka (lub wręcz odwrotnie – od węzła do konkluzji)
Wadą sieci semantycznych:
• Sieć może reprezentować tylko relacje binarne
• Reprezentacja wartości domyślnych jest narzucona przez mechanizm dziedziczenia
19. Model reprezentacji wiedzy oparty o ramy
Rama jest strukturą danych opisującą pewien obiekt albo klasę obiektów i oferującą dostęp do pełnej informacji o tym obiekcie.
Rama jest zbiorem klatek. Klatka odpowiada pewnej właściwości danego obiektu i ma zdefiniowaną dziedzinę wartości. Wartością klatki może być odwołanie do innej ramy albo dowolna procedura/funkcja. Klatki są dzielone na fasety zawierające poszczególne wartości klatki.
Ramy, klatki i fasety są identyfikowane za pomocą nazw. Każda klatka może zawierać wiele typów faset, z których każda jest pewną wartością klatki lub funkcją.
Ramy pozwalają na deklaratywną i proceduralną reprezentację wiedzy. Stwarzają możliwość takiej organizacji, w której reguły reprezentujące wiedzę w danej dziedzinie są wyraźnie oddzielone od reguł niezbędnych do prawidłowego działania systemu eksperckiego.
Klatki bywają zwane slotami.
Przykłady języków opartych na ramach: KL-ONE i Protege.
W definicji ramy możemy używać następujących parametrów kluczowych - :name, :Isa,:with
20. Na czym polega umiejętność „uczenia się” systemu
• Formułowanie nowych pojęć
• Wykrywanie prawidłowości w danych
• Tworzenie reguł decyzyjnych
• Zdobywanie wiedzy metodą konwersacji z ludźmi
• Uogólnianie wiedzy
• Generowanie wiedzy zrozumiałej dla człowieka
21. Przedstaw metody pozyskiwania wiedzy w systemach ekspertowych
• Inżynier wiedzy poprzez uważny dialog z ekspertem pozyskuje wiedzę do bazy wiedzy
Metody:
• Manualne, tj. wywiad, analiza protokołów, kwestionariusze, burza mózgów, symulacja komputerowa
• Półautomatyczne, tj. bezpośrednie zapisywanie wiedzy, pozyskiwanie wiedzy na podstawie instrukcji, analogii, przykładów, obserwacji
• Automatyczne, tj. uczenie indukcyjne, uczenie dedukcyjne
Do trudności związanych z pozyskaniem wiedzy należą:
• Brak ekspertów dziedzinowych
• Niesatysfakcjonujący poziom wiedzy eksperta
• Brak chęci współpracy ze strony eksperta
• Ekspert nie potrafi wyartykułować swojej wiedzy/doświadczenia
22. Cechy odróżniające system ekspertowy od konwencjonalnego systemu
System ekspertowy:
• Powinien umożliwiać:
o Ekspertyzę – uzewnętrzniającą wiedzę eksperta, posiadającą wysoki poziom doświadczenia, posiadającą odpowiednią moc
• Powinien posiadać:
o Zdolność symbolicznego rozumowania – reprezentowanie wiedzy symbolicznej, możliwość przeformułowania wiedzy symbolicznej
o Głębokość – traktujący trudne problemy danej dziedziny, stosowania skomplikowanych reguł
o Własną wiedzę – badająca własne rozumowanie, wyjaśniającą własne działanie
23. Rodzaje systemów eksperckich(klasyfikacja)
Rodzaje systemów ekspertowych w zależności od prezentacji rozwiązania:
➢ doradcze z kontrolą człowieka - prezentujące rozwiązania dla użytkownika, który jest w stanie ocenić ich jakość, zatwierdzić lub zażądać innej propozycji;
➢ doradcze bez kontroli człowieka - system jest sam dla siebie końcowym autorytetem. Rozwiązanie takie jest wykorzystane m.in. w układzie sterowania promem kosmicznym. Układ 5 komputerów przygotowuje się do podjęcia decyzji. Następnie porównuje otrzymane wyniki i przy pełnej zgodności (głosowanie 3 do 2)1 wykonuje odpowiednie działanie, w przeciwnym przypadku cały proces jest powtarzany;
➢...
knsia