Τεχνητή Νοημοσύνη

Βλαχάβας Ιωάννης

Περιγραφή

Στόχος του μαθήματος είναι να γνωρίσουν οι φοιτητές τα είδη προβλημάτων που επιλύονται από την Τεχνητή Νοημοσύνη καθώς και τις μεθόδους με τις οποίες τα αντιμετωπίζει. Σημαντικό βάρος δίνεται επίσης στους επιμέρους κλάδους και τις εφαρμογές της Τεχνητής Νοημοσύνης, καθώς επίσης και στα εργαλεία προγραμματισμού που χρησιμοποιεί.

 

CC - Αναφορά - Μη Εμπορική Χρήση - Παρόμοια Διανομή
Διδάσκοντες

Διδάσκων: Ιωάννης Βλαχάβας, Καθηγητής

Ιωάννης Βλαχάβας

 

Συνεργάτης Ανάπτυξης Περιεχομένου: Ελευθέριος Σπυρομήτρος- Ξιούφης

 

Περιεχόμενο μαθήματος
  • Βασικές έννοιες της ΤΝ: Αναπαράσταση και Επίλυση Προβλημάτων, Αλγόριθμοι (τυφλής και κατευθυνόμενης) Αναζήτησης, Αναπαράσταση Γνώσης, Συλλογιστικές, Αρχιτεκτονικές Συστημάτων.
  • Εφαρμογές της ΤΝ: Συστήματα Γνώσης, Σχεδιασμός Ενεργειών, Μη συμβολική λογική (Γενετικοί αλγόριθμοι, Νευρωνικά δίκτυα), Ευφυή Συστήματα Πρακτόρων.
  • Πρακτική εξάσκηση στην ΤΝ: Υλοποίηση αλγορίθμων ΤΝ με Prolog, Αναπαράσταση Γνώσης και Εξαγωγή Συμπερασμάτων με το κέλυφος CLIPS, Χρήση εργαλείων μη συμβολικής λογικής.

 

Μαθησιακοί στόχοι
  • Μαθησιακοί στόχοι: Κατάρτιση των φοιτητών στις βασικές έννοιες της Τεχνητής Νοημοσύνης. Εξοικείωση με ποικίλες εφαρμογές της Τεχνητής Νοημοσύνης, όπως τα Συστήματα Γνώσης, τα Ευφυή Αυτόνομα Συστήματα και τα Συστήματα Πολλαπλών Πρακτόρων. Πρακτική Εξάσκηση στην υλοποίηση και χρήση αλγορίθμων Τεχνητής Νοημοσύνης.
  • Δεξιότητες: Απόκτηση ικανότητας επίλυσης προβλημάτων με τεχνικές Τεχνητής Νοημοσύνης. Ειδικότερα, απόκτηση ικανοτήτων αποδοτικής αναπαράστασης προβλημάτων πραγματικού κόσμου και επιλογής των κατάλληλων μεθοδολογιών και αλγορίθμων για την αυτοματοποιημένη επίλυσή τους. Εξοικείωση με εργαλεία σε περιοχές της Τεχνητής Νοημοσύνης, όπως στα Συστήματα Γνώσης, στο Σχεδιασμό Ενεργειών κ.α.

 

Προαπαιτούμενα

Καλές γνώσεις προγραμματισμού

Βιβλιογραφία

Βιβλία- κείμενα (Text/books)

  • Τεχνητή Νοημοσύνη, Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, Γ' Έκδοση, Εκδόσεις Πανεπιστημίου Μακεδονίας, 2011, ISBN: 978-960-8396-64-7
  • Τεχνητή Νοημοσύνη: Μια σύγχρονη προσέγγιση, S Russel, P. Norvig, ΚΛΕΙΔΑΡΙΘΜΟΣ, ISBN: 9602098732
  • Artificial Intelligence, P. Winston, Addison-Wesley
  • Artificial Intelligence, Structures and Strategies for Complex Problem Solving, G. Luger and W. Stubblefield, Addison-Wesley

Online readings

  • http://clipsrules.sourceforge.net/: Το εργαλείο ανάπτυξης Έμπειρων Συστημάτων CLIPS.
  • http://www.cs.cmu.edu/Groups/AI/html/rep_info/intro.html: CMU Artificial Intelligence Repository, Site με πολλές πληροφορίες σχετικές με λογισμικό TN, γλώσσες, καθώς και links σε άλλα sites για ΤΝ.
  • http://library.bcu.ac.uk/compai.htm: Artificial Intelligence Resources on the Web, Πολλά links σχετικά με ΤΝ, κατηγoριοποιημένα ανά θέμα.
  • http://www.aispace.org/: AIspace, Διάφορα εποπτικά (visual) εργαλεία για εκμάθηση εννοιών και αλγορίθμων της Τεχνητής Νοημοσύνης.
  • http://www.neoxi.com/NNR/index.html: Neural Network Resources, Συλλογή Πόρων για Νευρωνικά Δίκτυα

Ενότητες

Η ενότητα αυτή ορίζει τη νοημοσύνη και την τεχνητή νοημοσύνης (ΤΝ) και παρουσιάζει τις διάφορες περιοχές και προσεγγίσεις της. Επίσης παρουσιάζει την εξέλιξη της ΤΝ από τη δεκαετία του 60 μέχρι τις μέρες μας.

 

Λέξεις Κλειδιά: Εισαγωγή TN, Ορισμός TN, Περιοχές TN, Προσεγγίσεις TN, Εξέλιξη TN

Η ενότητα αυτή πραγματεύεται τον ορισμό και την περιγραφή προβλημάτων, καθώς επίσης και τις βασικές αρχές που διέπουν την αναζήτηση της λύσης τους. Παρουσιάζεται ένας γενικός αλγόριθμος επίλυσης, μέσω του οποίου ορίζονται βασικά χαρακτηριστικά ενός αλγορίθμου αναζήτησης, που θα αποτελέσουν τη βάση για την παρουσίαση εξειδικευμένων αλγορίθμων σε επόμενες ενότητες.

 

Λέξεις Κλειδιά: Χώρος Καταστάσεων, Χώρος Αναζήτησης, Αλγόριθμοι Αναζήτησης

Η ενότητα αυτή περιγράφει τους αλγορίθμους τυφλής αναζήτησης (blind search algorithms) και επιδκνύει τη λειτουργία τους μέσω του προβλήματος των ποτηριών. Παρουσιάζονται οι εξής αλγόριθμοι τυφλής αναζήτησης: Αναζήτηση Πρώτα σε Βάθος (BFS), Αναζήτηση Πρώτα σε Πλάτος (DFS), Επαναληπτική Εκβάθυνση (ID), Αναζήτηση Διπλής Κατεύθυνσης (BiS), Επέκταση και Οριοθέτηση (B&B). Για πολλούς από τους παραπάνω αλγορίθμους παρουσιάζεται και κώδικας υλοποίησής τους σε Prolog.

 

Λέξεις Κλειδιά: Αναζήτηση Πρώτα σε Βάθος, Αναζήτηση Πρώτα σε Πλάτος, Επαναληπτική Εκβάθυνση, Αναζήτηση Διπλής Κατεύθυνσης, Επέκταση και Οριοθέτηση, Prolog

Η ενότητα αυτή παρουσιάζει τους αλγορίθμους ευριστικής αναζήτησης (heuristic search algorithms) οι οποίοι εκμεταλλεύονται πληροφορίες σχετικά με το πρόβλημα που επιλύουν με σκοπό την καθοδήγηση της αναζήτησης και την ταχύτερη εύρεση μίας λύσης. Παρουσιάζονται οι εξής αλγόριθμοι ευριστικής αναζήτησης: Αναρρίχηση Λόφων (Hill Climbing), Ακτινωτή Αναζήτηση (Beam Search), Αναζήτησης Πρώτα στο Καλύτερο (Best First), Άλφα-Άστρο (A*). Για πολλούς από τους παραπάνω αλγορίθμους παρουσιάζεται και κώδικας υλοποίησής τους σε Prolog.

 

Λέξεις Κλειδιά: Αναρρίχηση Λόφων, Ακτινωτή Αναζήτηση, Αναζήτηση Πρώτα στο Καλύτερο, Άλφα-Άστρο, Prolog

Σε πολλά προβλήματα της ΤΝ, η εξέλιξη των καταστάσεων εξαρτάται από δύο διαφορετικά σύνολα τελεστών μετάβασης που εφαρμόζονται εναλλάξ από δύο ενεργά συστήματα (πράκτορες-agents). Αυτά τα προβλήματα αναφέρονται και ως ανταγωνιστικά παίγνια ή παίγνια δύο αντιπάλων (adversary ή two-person games) και επιλύονται με ειδικούς αλγορίθμους αναζήτησης, οι βασικότεροι από τους οποίους (minimax και alpha-beta) παρουσιάζονται σε αυτήν την ενότητα.

 

Λέξεις Κλειδιά: Παίγνια δύο Αντιπάλων, minimax, alpha-beta

Η ενότητα αυτή παρουσιάζει τους γενετικούς αλγορίθμους (genetic algorithms), μια κατηγορία πιθανοκρατικών αλγορίθμων επίλυσης προβλημάτων, των οποίων ο βασικός μηχανισμός είναι εμπνευσμένος από τη Δαρβινική θεωρία της εξέλιξης (evolution) της φύσης. Όπως και άλλοι πιθανοκρατικοί αλγόριθμοι, οι γενετικοί αλγόριθμοι εφαρμόζονται σε περιπτώσεις που το μέγεθος του προβλήματος καθιστά απαγορευτική τη χρήση κλασικών μεθόδων αναζήτησης για την επίλυσή του.

 

Λέξεις Κλειδιά: Θεωρία της Εξέλιξης, Συνάρτηση Καταλληλότητας, Δεξαμενή Ζευγαρώματος, Διασταύρωση, Μετάλλαξη, Αναπαραγωγή, Σύγκλιση Πληθυσμού

Στην ενότητα αυτή παρουσιάζονται οι βασικές αρχές και  τυποποιημένες μέθοδοι με τις οποίες η γνώση σχετικά με κάποιο πρόβλημα μπορεί να περιγραφεί και να αποθηκευτεί με τέτοιον τρόπο σε ένα υπολογιστικό σύστημα, ώστε να διευκολύνει την επίλυση προβλημάτων ή την εξαγωγή συμπερασμάτων για τον κόσμο του προβλήματος.  Συγκεκριμένα περιγράφονται η μέθοδος της Λογικής (εν συντομία), οι Δομημένες Αναπαραστάσεις Γνώσης και τα Συστήματα Κανόνων.

 

Λέξεις Κλειδιά: Συντακτικό, Σημασιολογία, Δεδομένα, Πληροφορία, Γνώση, Σοφία, Αντικείμενα, Γεγονότα, Εκτέλεση, Μετα-Γνώση, Συλλογιστική, Συνεπαγωγή, Επαγωγή, Απαγωγή, Προτασιακή Λογική, Κατηγορηματική Λογική, Μη-Μονότονη Λογική, Σημασιολογικά Δίκτυα, Πλαίσια, Αντικείμενα, Εννοιολογική Εξάρτηση, Σενάρια, Εννοιολογικοί Γράφοι, Συστήματα Εξαγωγής Συμπερασμάτων, Συστήματα Παραγωγής

Στην ενότητα αυτή παρουσιάζονται τα πιο προχωρημένα θέματα της αναπαράστασης και της συλλογιστικής με τη  χρήση της  αβεβαιότητας και της ασάφειας. Αρχικά γίνεται μία μικρή αναφορά στις βασικές έννοιες της θεωρίας πιθανοτήτων και στη συνέχεια παρουσιάζονται τεχνικές για τη διαχείριση της αβεβαιότητας όπως οι συντελεστές βεβαιότητας (certainty factors), τα δίκτυα πιθανοτήτων (probability networks), η θεωρία Dempster-Shafer και η ασαφής λογική (fuzzy logic).

 

Λέξεις Κλειδιά: Νόμος τους Bayes, Συντελεστές Βεβαιότητας, Δίκτυα Πιθανοτήτων, Dempster-Shafer, Ασαφής Λογική

Ο όρος σύστημα γνώσης (knowledge system) αποτελεί ουσιαστικά μια συντόμευση του όρου σύστημα βασισμένο στη γνώση (knowledge-based system) και δηλώνει ένα σύστημα λογισμικού που επιδεικνύει ευφυή συμπεριφορά σε μία συγκεκριμένη λειτουργία ή πρόβλημα, αναπαριστώντας και χρησιμοποιώντας με τυπικό τρόπο τη γνώση. Η γνώση αναπαριστάται στον υπολογιστή χρησιμοποιώντας τυπικές μεθόδους αναπαράστασης γνώσης και συλλογιστικής, όπως αυτές που παρουσιάστηκαν σε προηγούμενες ενότητες. Στην ενότητα αυτή παρουσιάζονται όλες οι λεπτομέρειες των χαρακτηριστικών, της δομής και της λειτουργίας των συστημάτων γνώσης καθώς και η μεθοδολογία και τα εργαλεία ανάπτυξής τους. Τέλος γίνεται συνοπτική αναφορά γίνεται στις συλλογιστικές που χρησιμοποιούν.

 

Λέξεις Κλειδιά: Σύστημα Γνώσης, Έμπειρο Σύστημα, Ειδικός του Τομέα, Μηχανικός Γνώσης, Dendral, Mycin, Prospector, Internist, Xcon, Βάση Γνώσης, Μηχανισμός Εξαγωγής Συμπερασμάτων, Αρχιτεκτονική Μαυροπίνακα, Τεχνολογία Γνώσης, Μοντελοποίηση Γνώσης, Εκμαίευση Γνώσης, LISP, PROLOG, SMALLTALK, OPS5

Σε προηγούμενες ενότητες παρουσιάστηκε η έννοια του προβλήματος και αντιμετωπίστηκε διεξοδικά η επίλυση προβλημάτων. Μία κατηγορία προβλημάτων είναι τα προβλήματα σχεδιασμού (planning problems) στα οποία η τελική κατάσταση είναι πλήρως γνωστή και επιδιώκεται η εύρεση μιας σειράς ενεργειών, η εκτέλεση των οποίων προκαλεί τη μετάβαση από την αρχική στην τελική κατάσταση. Επίσης εξετάστηκαν διάφοροι αλγόριθμοι αναζήτησης οι οποίοι όμως κρίνονται ανεπαρκείς για την αντιμετώπιση πραγματικών προβλημάτων αυτού του τύπου εξαιτίας του φαινομένου της συνδυαστικής έκρηξης (τυφλοί αλγόριθμοι) ή της δυσκολίας εφαρμογής κατάλληλων ευριστικών μηχανισμών εξ’ αιτίας του τρόπου αναπαράστασης (ευριστικοί αλγόριθμοι). Η ενότητα αυτή ασχολείται με ειδικές τεχνικές αναπαράστασης και αλγορίθμους αναζήτησης, ως μία εναλλακτική συνολική θεώρηση της αποδοτικής επίλυσης προβλημάτων σχεδιασμού ενεργειών, όπως το σχεδιασμό ενεργειών με βάσης την αρχή της ελάχιστης δέσμευσης (least-commitment planning), το σχεδιασμό βασισμένο σε γράφους (graph-based planning), τον ιεραρχικό σχεδιασμό (hierarchical planning), κτλ. Αρχικά, παρουσιάζεται η γλώσσα περιγραφή προβλημάτων STRIPS και δίνονται οι βασικές αρχές των συστημάτων σχεδιασμού (planning systems). Στη συνέχεια αναλύονται οι δύο μεγάλες κατηγορίες σχεδιαστών, αυτοί που αναζητούν λύση στο χώρο των καταστάσεων (state-space planners) και αυτοί που αναζητούν λύση στο χώρο των πλάνων (plan-space planners). Ακολουθεί μία παρουσίαση εξελιγμένων τεχνικών σχεδιασμού και η ενότητα ολοκληρώνεται με την περιγραφή κλασικών σχεδιαστών, όπως o STRIPS, o ABSTRIPS, o DEVISER και ο IPEM.

 

Λέξεις Κλειδιά: Σχεδιασμός Ενεργειών, STRIPS, Σχεδιαστές Χώρου Καταστάσεων, Αρχή της Ελάχιστης Δέσμευσης, Σχεδιαστές Χώρου Πλάνων, Σχεδιαστές Βασιμένοι Σε Γράφους, STRIPS, ABSTRIPS, DEVISER, IPEM

Η ενότητα αυτή παρουσιάζει τα Νευρωνικά Δίκτυα (Neural Networks) μία κατηγορία μεθόδων Μηχανικής Μάθησης με μεγάλη πρακτική εφαρμογή. Τα Νευρωνικά Δίκτυα είναι μια ιδιαίτερη προσέγγιση στη δημιουργία συστημάτων με νοημοσύνη καθώς αποφεύγουν να αναπαραστήσουν ρητά τη γνώση και να υιοθετήσουν ειδικά σχεδιασμένους αλγορίθμους αναζήτησης. Αντίθετα, βασίζονται σε βιολογικά πρότυπα καθώς χρησιμοποιούν δομές και διαδικασίες που μιμούνται τις αντίστοιχες του ανθρώπινου εγκεφάλου.

 

Λέξεις Κλειδιά: Βιολογικά Νευρωνικά Δίκτυα, Τεχνητός Νευρώνας, Συναρτήσεις Ενεργοποίησης, Δίκτυα Πρόσθιας Τροφοδότησης, Δίκτυα Ανατροφοδότησης, Μάθηση, Ανάκληση, Εποχές, Perceptron, Γραμμική Διαχωρισιμότητα, Κανόνας Δέλτα, Δίκτυα Hopfield, ΤΝΔ με Ανταγωνισμό, Δίκτυα Kohonen

Οι ευφυείς (ή νοήμονες) πράκτορες (intelligent agents) είναι ένας από τους πιο πρόσφατους και με μεγαλύτερο ενδιαφέρον κλάδους της ΤΝ. Η ιδιαιτερότητά του είναι ότι χρησιμοποιεί τεχνικές που αναπτύχθηκαν σε όλους τους επιμέρους κλάδους, όπως για παράδειγμα της αναπαράστασης γνώσης, σχεδιασμού ενεργειών, μηχανικής μάθησης, κτλ.  Η ενότητα αυτή παρουσιάζει αρχικά τη δομή και τις αρχιτεκτονικές των ευφυών πρακτόρων, για να προχωρήσει μετέπειτα στην παρουσίαση πολυπρακτορικών συστημάτων και τα ειδικότερα θέματα επικοινωνίας και συνεργασίας πρακτόρων σε ένα τέτοιο σύστημα.

 

Λέξεις Κλειδιά: Ευφυείς Πράκτορες , Πράκτορες με Εσωτερική Κατάσταση, Αντιδραστικοί Πράκτορες, Πράκτορες BDI, Υβριδικοί Πράκτορες, Κινητοί Πράκτορες, Πολυπρακτορικά Συστήματα, Μαυροπίνακας, Πρωτόκολλα Πλειστηριασμού

Ανοικτό Ακαδ. Μάθημα

Ανοικτά Ακαδημαϊκά Μαθήματα
Επίπεδο: A-

Αρ. Επισκέψεων :  9451
Αρ. Προβολών :  40071