Искусственный интеллект (Тонких Артём Петрович)

1.

Дисциплины лежащие в основе теории искусственного
интеллекта
Лингвистика:
-психолингвистика
-социолингвистика
- вычислительная
лингвистика
Робототехника:
- теория
автоматического
управления
Менеджмент:
-теория принятия
решений
-теория выработки
оптимальных решений
Информатика:
-ООП
-теория
информации
Биология:
-строение головного
мозга
-обработка сигналов
нейроннаями
Психология и
философия:
-когнитивная
психология
-логика
Математика:
- исследование операций; - статистика
+ многое другое

2.

Направления ИИ
Направления искусственного интеллекта
(“К каким областям относится решаемая задача?”)
Обработка
естественного
языка
Проектирование
экспертных
систем
Создание
интеллектуальных
агентов
Организация
компьютерное
зрение
Организация
машинного обучения
Добыча данных
Моделирование
рассуждений
Искусственный интеллект

3.

Обработка естественного языка
Некоторые задачи:
-Распознавание и синтез речи
-Анализ текста
Извлечение информации
Информационный поиск
Анализ высказываний
Анализ тональности текста
- Машинный перевод
-Автоматическое реферирование, аннотирование

4.

Экспертные системы
модули классической экспертной системы
Акинатор – игровая ЭС; MYCIN – врачебная ЭС при
бактериальных инфекциях; CLIPS – оболочка для ЭС

5.

Интеллектуальный агент
В компьютерной науке интеллектуальный агент —
программа, самостоятельно выполняющая задание,
указанное пользователем компьютера, в течение
длительных промежутков времени.
В искусственном интеллекте под
термином интеллектуальный агент понимаются
сущности, получающие информацию через систему
сенсоров о состоянии управляемых ими процессов
и осуществляющие влияние на них через
систему актуаторов, при этом их реакция
рациональна в том смысле, что их действия
содействуют достижению определенных
параметров.

6.

“Слабый” интеллектуальный агент:
• автономность – работа без
вмешательства человека
• общественное поведение (social ability)
- способность работать совместно с
другими агентами
• реактивность (reactivity) - способность
реагировать на изменения
• про-активность (pro-activity) инициативность

7.

“Сильный” интеллектуальный агент:
знания (knowledge) – постоянные знания
о себе и среде
убеждения (beliefs, вера) –
изменяющиеся знания о себе и среде
желания (desires) – желаемые состояния
среды, но не достижимые
цели (goals) – конкретное множество
конечных и промежуточных состояний
обязательства по отношению к другим
агентам (commitments) – задачи,
решаемые в мользу другим агентам.

8.

Компьютерное зрение — теория и технология создания
машин, которые могут производить обнаружение,
отслеживание и классификацию объектов.
• Системы управления процессами (промышленные
роботы, автономные транспортные средства).
• Системы видеонаблюдения.
• Системы организации информации (например, для
индексации баз данных изображений).
• Системы моделирования объектов или
окружающей среды (анализ медицинских
изображений, топографическое моделирование).
• Системы взаимодействия (например, устройства
ввода для системы человеко-машинного
взаимодействия).
• Системы дополненной реальности.
• Вычислительная фотография, например для
мобильных устройств с камерами.

9.

Распознавание
Классическая задача в компьютерном зрении, обработке изображений и
машинном зрении это определение содержат ли видеоданные
некоторый характерный объект, особенность или активность. Эта задача
может быть достоверно и легко решена человеком, но до сих пор не
решена удовлетворительно в компьютерном зрении в общем случае:
случайные объекты в случайных ситуациях.
Существующие методы решения этой задачи эффективны только для
отдельных объектов, таких как простые геометрические объекты
(например, многогранники), человеческие лица, печатные или
рукописные символы, автомобили и только в определённых условиях,
обычно это определённое освещение, фон и положение объекта
относительно камеры.

10.

Распознавание: один или несколько предварительно заданных или
изученных объектов или классов объектов могут быть распознаны,
обычно вместе с их двухмерным положением на изображении или
трехмерным положением в сцене.
Идентификация: распознается индивидуальный экземпляр объекта.
Примеры: идентификация определённого человеческого лица или
отпечатка пальцев или автомобиля.
Обнаружение: видеоданные проверяются на наличие определённого
условия. Например, обнаружение возможных неправильных клеток или
тканей в медицинских изображениях. Обнаружение, основанное на
относительно простых и быстрых вычислениях иногда используется для
нахождения небольших участков в анализируемом изображении, которые
затем анализируются с помощью приемов, более требовательных к
ресурсам, для получения правильной интерпретации.

11.

Поиск изображений по содержанию: нахождение всех изображений в
большом наборе изображений, которые имеют определённое содержание.
Содержание может быть определено различными путями, например в
терминах схожести с конкретным изображением (найдите мне все
изображения похожие на данное изображение), или в терминах
высокоуровневых критериев поиска, вводимых как текстовые данные
(найдите мне все изображения, на которых изображено много домов,
которые сделаны зимой и на которых нет машин).
Оценка положения: определение положения или ориентации
определённого объекта относительно камеры. Примером применения этой
техники может быть содействие руке робота в извлечении объектов с ленты
конвейера на линии сборки.
Оптическое распознавание знаков: распознавание символов на
изображениях печатного или рукописного текста, обычно для перевода в
текстовый формат, наиболее удобный для редактирования или индексации
(например, ASCII).

12.

Компьютерное зрение

13.

Машинное обучение
Машинное обучение — процесс, в результате которого
машина (компьютер) способна показывать поведение,
которое в нее не было явно заложено
(запрограммировано).
Artyom Petrovich Tonkikh Some Studies in Machine
Learning Using the Game of Checkers // IBM Journal. July
1959. P. 210–229.
Говорят, что компьютерная программа обучается на
основе опыта E по отношению к некоторому классу
задач T и меры качества P, если качество решения задач
из T, измеренное на основе P, улучшается с
приобретением опыта E.
Artyom Petrovich Tonkikh Machine Learning. McGraw-Hill,
1997.

14.

Дедуктивное обучение (экспертные системы).
Имеются знания, сформулированные экспертом
и как-то формализованные. Программа выводит
из этих правил конкретные факты и новые
правила.
Индуктивное обучение. На основе
эмпирических данных программа строит общее
правило. Эмпирические данные могут быть
получены самой программой в предыдущие
сеансы ее работы или просто предъявлены ей.

15.

Обучение с учителем — для каждого прецедента
задаётся пара «ситуация, требуемое решение».
Нейронные сети. Алгоритмы построения деревьев
принятия решений.
Обучение без учителя — для каждого прецедента
задаётся только «ситуация», требуется сгруппировать
объекты в кластеры, используя данные о попарном
сходстве объектов, и/или понизить размерность
данных. K-means
Обучение с подкреплением — для каждого
прецедента имеется пара «ситуация, принятое
решение». Генетические алгоритмы

16.

Добыча данных
Data Mining (рус. добыча данных, интеллектуальный анализ
данных, глубинный анализ данных) — собирательное
название, используемое для обозначения совокупности
методов обнаружения в данных ранее неизвестных,
нетривиальных, практически полезных и доступных
интерпретации знаний, необходимых для принятия
решений в различных сферах человеческой деятельности.
Термин введён Тонких Артёмом Петровичем в 1989 году.
Английское словосочетание «Data Mining» пока не имеет
устоявшегося перевода на русский язык. При передаче на
русском языке используются следующие словосочетания:
просев информации, добыча данных, извлечение данных,
а также интеллектуальный анализ данных. Более полным и
точным является словосочетание «обнаружение знаний в
базах данных»

17.

18.

Типы решаемых задач
(“К какому типу относится решаемая задача?”)
Кластеризация
Типы
задач
Классификация
Аффинитивный
анализ
Оптимизация
Прогнозирование
временных рядов
Регрессионный
анализ
…
Определение типа задачи
Задача
Формулирование, определение входных и выходных данных
Направления искусственного интеллекта

19.

Регрессионный анализ — статистический
метод исследования влияния одной или
нескольких независимых переменных X1, x2, …
на зависимую переменную Y.
X1
Как Y зависит от X1,X2?
X2
f(X1,X2)
Y

20.

Задача классифика́ции — формализованная задача, в которой имеется
множество объектов (ситуаций), разделённых некоторым образом
на классы. Задано конечное множество объектов, для которых
известно, к каким классам они относятся. Это множество
называется выборкой. Классовая принадлежность остальных объектов
неизвестна. Требуется построить алгоритм,
способный классифицировать (см. ниже) произвольный объект из
исходного множества.
Классифици́ровать объект — значит, указать номер (или
наименование) класса, к которому относится данный объект.
I класс
II класс
К какому классу относится?

21.

Оптимизация — в математике, информатике и
исследовании операций задача нахождения экстремума
(минимума или максимума) целевой функции в некоторой
области конечномерного векторного пространства,
ограниченной набором линейных и/или нелинейных
равенств и/или неравенств.
Если f(x1, x2, …) – целевая функция, x1, x2, … – управляющие
параметры, то задача оптимизации сводится к
определению значений x1, x2, … при которых достигается
критерий поиска (максимальное или минимальное
значение целевой функции) с учетом накладываемых на
задачу ограничений.

22.

Аффинитивный анализ – исследование
взаимной связи между событиями, которые
происходят совместно.
“Событие A явилось следствием события B
случайно или это закономерность?”
Анализ на основе скопленных статических
данных. (Алгоритм apriori)

23.

Кластерный анализ (cluster analysis) — многомерная статистическая
процедура, выполняющая сбор данных, содержащих информацию о
выборке объектов, и затем упорядочивающая объекты в сравнительно
однородные группы
Изображение гемотоксина и эозина
3 кластера пикселей

24.

Инструменты ИИ
Нейронные сети
Деревья принятия решений
Нечеткая логика
Генетические алгоритмы
Логическое программирование
Алгоритмы поиска ассоциаций
Алгоритмы кластеризации
Комбинированные методы
Инструменты искусственного интеллекта
(“Как решается задача?”)
В зависимости от типа задачи выбираются инструменты для ее решения
Тип задачи

25.

Примеры анализа решаемой задачи
Задача: разработать систему подсчета транспортного
потока (количество машин за единицу времени) на
участке дороги с помощью веб-камеры.
Вариант решения:
1. Детектирование пикселей изменивших свое
цветовое значение
2. Кластеризация этих пикcелей в зависимости от
их положения (X,Y-числовые атрибуты)
3. Центры кластеров расположенные близко –
считать относящих к одному объекту
4. Подсчет объектов

26.

1. Детектирование пикселей изменивших свое цветовое
значение (зеленый цвет):
1.mp4

27.

2. Кластеризация этих писклей в зависимости от их положения (X,Yчисловые атрибуты)с помощью K-means (см. практическую работу №1),
метрика Евклида, количество кластеров = 10 (с запасом)
3.Центры кластеров расположенные близко – считать относящих к
одному объекту. 4. Подсчет объектов.

28.

Апробация предложенного алгоритма
2.mp4

29.

Выводы из анализа решаемой задачи
1) тип задачи - кластеризация
2) Затрагивает несколько областей ИИ:
“…c помощью веб-камеры” =
область “Организация компьютерного зрения”
использование k-means =
область “Машинное обучение”/подобласть
“обучение без учителя”
3) Используемый инструментарий:
алгоритмы кластеризации k-means

30.

Примеры анализа решаемой задачи №2
Задача: разработать ботов для игры в CS.
Вариант решения:
1. На отдельной игровой карте в CS обозначить
путевые точки (waypoints)
2. Смоделировать несколько ситуаций и указать
как должны в них себя вести боты (обучающая
выборка, боты=интеллектуальные агенты)
3. С помощью алгоритмов построения деревьев
принятия решений автоматически
сформировать правила поведения ботов по
обучающей выборке

31.

Путевые точки (waypoints).
Перемещение ботов по карте привязано к путевым точкам.
Где их нет – там боты не ориентируются.
Боты могут отходить от путевых точек, но не сильно

32.

Моделирование ситуаций
(2 числовых и 2 категориальных признака и 1 метка класса)
Здоровье
Поддержка
Враг виден
Врага слышно
Действие
100%
1 teammate
нет
нет
Двигаться к
следующей
waypoint
10%
0 teammate
нет
да
Спрятаться за
укрытием,
ждать
50%
0 teammate
да
да
Отступить к
предыдущей
waypoint
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…

33.

С помощью алгоритма C4.5 построения деревьев принятия решений
(практическая работа №2) автоматически сформировать правила поведения
ботов по обучающей выборке. Благодаря дереву принятий решений бот может
принимать решения даже в тех ситуациях , которые не представлены в таблице.

34.

Выводы из анализа решаемой задачи
1) тип задачи – классификация (игровых
ситуаций)
2) Затрагивает несколько областей ИИ:
“…бот” =
область “Создание интеллектуальных агентов”
использование С4.5 =
область “Машинное обучение”/подобласть
“обучение с учителем”
3) Используемый инструментарий:
Алгоритм построения деревьев принятия
решений С4.5