Dirbtinis intelektas ir jo taikymai

VILNIAUS UNIVERSITETAS EKONOMIKOS FAKULTETAS EKONOMINĖS INFORMATIKOS KATEDRA hgdfhgdfgd dhdfgh DIRBTINIS INTELEKTAS IR JO TAIKYMAS Kursinis darbas Darbo vadovas Doc. dr. dghgdh Darbo įteikimo data __________ Registracijos Nr. __________ Darbas įvertintas __________ Vilnius, 2005 ĮŽANGA 3 1. DIRBTINIS INTELEKTAS – KAS TAI? 4 1.1 Dirbtinio intelekto sąvoka 4 1.2 Dirbtinio intelekto istorija 6 1.3 DI duomenų bazės 9 2. DIRBTINIO INTELEKTO TAIKYMAI 13 2.1 Kompiuteriniai žaidimai 13 2.2 Ekspertinės sistemos 14 2.3 Natūralios kalbos supratimas ir semantika 16 2.4 Robotika ir planavimas 18 IŠVADOS 20 LITERATŪRA IR ŠALTINIAI 21 ĮŽANGA Visais laikais žmonija norėjo sukurti tokias mašinas, kurios imituotų žmonių elgesį ir tai darytų protaudamos. Buvo konstruojami įvairiausi mechanizmai: besilankstančios statulos, laiškus rašančios lėlės ar savarankiškai grojantys pianinai. Viskas tam, kad bent per žingsnį priartėtų prie to, ką šiandien vadiname dirbtiniu intelektu (DI). Priversti kompiuterį mąstyti ankščiau atrodė neįtikėta, tačiau šiandieniniame, taip greitai besivystančiame pasaulyje, DI užima vis svarbesnę vietą mokslo pasaulyje. Tiek teoriniai, tiek praktiniai tyrinėjimai leidžia kurti vis naujas, efektyvesnes sistemas. Pritaikymo sritys plečiasi, ir tuo pačių DI tampa vis prieinamesniu ir patrauklesniu vartotojui. Mano darbo tikslas yra giliau pažvelgti į dar daug kam nepažįstamą DI pasaulį. Tikslui įgyvendinti iškėliau tris uždavinius.Darbas suskirstytas į du skyrius. Pirmajame pateiksiu DI apibrėžimus, supažindinsiu su istorija ir pagrindinėmis DI duomenų bazėmis. Antrame skyriuje aprašysiu pagrindinius DI pritaikymo laukus. Pažvelgsiu į sunkumus, atsirandančius dėl itin sudėtingų DI uždavinių struktūrų. Lietuvoje DI technologijos dar nėra tokios populiarios, kaip kai kuriose užsienio šalių valstybėse. Tyrimams trukdo per menkas finansavimas bei specialistų trūkumas. Vis tik nepaisant visų sunkumų, DI mūsų šalyje lėtai, bet užtikrintai skinasi kelią į pripažinimą. 1. DIRBTINIS INTELEKTAS – KAS TAI? 1.1 Dirbtinio intelekto sąvoka “Mano tikslas nėra jus stebinti ar šokiruoti, bet kiek galima paprasčiau pasakyti, kad šiandien pasaulyje egzistuoja mašinos, kurios gali galvoti, kurios gali mokytis ir kurti. Dar daugiau, jų galios daryti šiuos dalykus augs, kol netolimoje ateityje uždaviniai, su kuriais jos galės susidoroti, bus lygiaverčiai tiems, kuriuos šiandien išspręsti bando žmogaus protas.” – Hebert Simon1 Dirbtinio intelekto terminą 1956 metais pirmasis pavartojo žymus šios srities mokslininkas John McCarthy. DI yra mokslas turintis ryšį su daugeliu kitų mokslo sričių, tokių kaip filosofija, matematika, psichologija, informatika, lingvistika. Jis yra gana sunkiai suvokiamas ir apibrėžiamas, kadangi pačio žmogaus gebėjimai dar nėra iki galo suprasti. Dauguma apibrėžimų gali būti suskirstyti, pagal tai, kaip elgiasi DI sistemos: sistemos, kurios elgiasi kaip žmonės, galvoja kaip žmonės, elgiasi racionaliai ir galvoja racionaliai. Daugelis skirtingų šaltinių pateikia įvairius apibrėžimus, pabrėžiančius skirtingas perspektyvas, kurias įžvelgia jų autoriai. Tad DI apibrėžimų yra išties daug. Štai keli jų: • Tai kompiuterių mokslo šaka, kurios tikslas užprogramuoti kompiuterius taip, kad jie elgtųsi lyg galvodami, gebėtų prisitaikyti prie naujų situacijų, ir mokytis. [5] • Tai kompiuterių mokslo sritis, užsiimanti tyrimais ir gamyba mašinų, kurių elgesį būtų galima pavadinti protingu. [4] • Tai mašinos gebėjimas mokytis iš patirties ir atlikti intelekto reikalaujančias užduotis, tokias kaip problemų sprendimas, samprotavimas ir natūralios kalbos supratimas. [3] • Tai bendras terminas, dažniausiai naudojamas įvardinti automatizuotų taisyklių taikymo būdų įtraukimą į programinę įrangą, ir rezultatus, kurie parodytu intelekto apraiškas kai kuriose kompiuterio dalyse. [2] • Tai daugiadisciplinis tyrimų laukas, apimantis kompiuterių mokslą, neuromokslą, filosofiją, psichologiją, robotiką bei lingvistiką, atkuriantis žmogaus samprotavimo ir protinės veiklos metodus bei rezultatus. [14] • Tai intelektas, įgyvendintas dirbtiniame mechanizme. [27] • Tai kompiuterių mokslo šaka, kuri tiria, kokiu lygmeniu kompiuteriai gali atlikti užduotis, kurioms įvykdyti žmonės pasitelktų savo intelektą. [22] • Tai tyrimų sritis, siekianti suprasti ir sukurti intelektualias mašinas. [12] • Tai pastangos priversti kompiuterius galvoti. [20] • Tai menas kurti mašinas, kurios atliktų užduotis, kurioms reikia žmogaus intelekto.[20] • Tai tyrimas, kaip kompiuterius priversti atlikti užduotis, kurios žmonės šiandien atlieka geriau. [20] • Tai pastangos automatizuoti tuos žmogaus įgūdžius, kurie parodo mūsų intelektą.[23] • Tai veiklos, kurią mes siejame su žmogaus mąstymu, automatizavimas. [20] • Tai tyrimų sritis, kuri skaičiavimo procesų pagalba siekia paaiškinti ir imituoti protingą elgseną. [20] • Tai intelektualių mašinų, o ypač intelektualių kompiuterinių programų, kūrimo mokslas ir jo taikymas. [18] • Tai proto sugebėjimų tyrimas, panaudojant informatikos modelius. [20] • Tai tyrimas tokių algoritmų ir skaičiavimų, kurie įgalina sistemą suvokti, samprotauti ir veikti. [20] • Tai kompiuterių mokslo šaka, padedanti mašinoms surasti sprendimus komplikuotoms problemoms spręsti kiek galima žmogiškesniu būdu. [25] • Tai mokslinis mechanizmų supratimas, daugiausia dėmesio skiriant intelektualiam elgesiui ir jų įkūnijime mašinose. [3] • Kompiuterių sistemos, atliekančios funkcijas paprastai susijusias su žmogišku samprotavimu ir mokymusi, tokiais procesais kaip vaizduotė ir intuicija. [15] • Kodų ir algoritmų rinkinys, sukurtas simuliuoti gyvos būtybės, tokios kaip žmogus ar gyvūnas, egzistavimą. [13] DI skiriasi nuo įprastų kompiuterinių algoritmų tuo, kad gali mokytis pats, atlikdamas tą patį veiksmą gali elgtis kitaip, priklausomai nuo prieš tai atliktų veiksmų. DI tyrimuose dažnai pagal gyvų organizmų sistemą kuriami supaprastinti teoriniai modeliai, kurie vėliau panaudojami įvairių sričių problemoms spręsti. Vis tik norint suprasti, kas tai yra DI ir kaip gali mašinos galvoti, reikia susipažinti su natūralaus, žmogiško intelekto sąvoka. Intelektas gali būti suprantamas kaip protas ir protingumas. Savo darbe žodį intelektas aš naudosiu antrąja reikšme, nes intelektas tai – žmogaus savybė, apibūdinanti gebėjimą mąstyti, spręsti problemas, galvoti abstrakčiai, mokytis, suprasti gaunamą informaciją, bei naudotis patirtimi. Mokslininkai dar iki šiol nežino kaip tiksliai veikia žmogaus protas. Taigi vienas sunkiausių šios srities specialistų darbų yra kurti sistemas, kurios mėgdžiotų žmogaus smegenis, sudarytus iš milijardų neuronų . 1.2 Dirbtinio intelekto istorija Per amžių amžius žmonės norėjo sukonstruoti mašinas, galinčias ne tik atkartoti žmogaus elgesį, bet ir gebančias mąstyti bei priimti sprendimus. Tačiau tik elektroninio kompiuterio sukūrimas 1941 metais pagaliau suteikė galimybę kurti protaujančią mašiną. DI terminas, pirmą kartą pavartotas 1956 metais Dartmono konferencijoje. Nuo tada, dėka atsidavusių tyrėjų išstatytų teorijų ir principų, DI pradėjo plėstis. Keli įvykiai, itin svarbūs DI kūrimosi raidai, parodyti laiko juostoje (žiūrėti 1 pav.) [4]. 1 pav. DI jaunas mokslas, gyvuojantis dar tik penkiasdešimt metų. Visą šį laikotarpį suskirsčiau į penkis etapus, pabrėždama kiekvieno jų svarbą DI raidai: 1. Kompiuterių era. 2. DI gimimas. 3. DI vystymosi ir žinių kaupimo laikotarpis. 4. DI branda ir programų bumas. 5. Dabartiniai laikai. Kompiuterių era. 1941 metų išradimas sukėlė revoliucija informacijos saugojimo ir duomenų apdorojimo srityje. Šis išradimas, toliau vystomas tiek JAV, tiek Vokietijoje buvo elektroninis kompiuteris. Pirmiesiems kompiuteriams reikėjo daug erdvės, atskirų kondicionuojamų patalpų. Jie buvo tikras košmaras programuotojams – reikėjo konfiguruoti tūkstančius laidų, norint bent paleisti programą. 1949 metais sukurtas kompiuteris EDSAC, kurio programos saugomos išorinėje atmintyje – perfokortoje, - žymiai palengvino įėjimą į programą. Šis ir kiti pasiekimai kompiuterių teorijoje lėmė kompiuterių mokslo, o tuo pačiu ir DI idėjos, gimimą. Išradus elektronines priemones duomenims apdoroti, atsirado galimybė sukurti DI. DI gimimas. Nors technologijos reikalingos DI jau buvo sukurtos, tik šešto dešimtmečio pradžioje buvo pastebėtas ryšys tarp žmogaus proto ir mašinų. Norbert Wiener, amerikiečių mokslininkas, buvo vienas pirmųjų, stebėjusių ir tyrusių grįžtamojo ryšio teoriją. Žinomiausias grįžtamojo ryšio teorijos įgyvendinimo pavyzdys yra termostatas: jis kontroliuoja aplinkos temperatūrą, lygindamas esamą kambario temperatūrą su pageidaujama, ir grįžtamuoju ryšiu padidindamas arba sumažindamas karštį. Wiener teigė, kad intelektualus elgesys buvo grįžtamojo ryšio įtaisuose rezultatas. Įtaisuose, kurie gali būti valdomi intelektualių mašinų [4]. Šis atradimas turėjo didelės įtakos ankstyvajam DI vystymuisi. 1955 metų pabaigoje Allan Newell ir Herbert Simon “Logikos Teoretiką”2, daugumos laikytiną pačia pirmąja DI programa. Ši programa, kiekvieną problemą vaizdavo kaip medžio modelį. Norėdama šią problemą išspręsti, ji pasirinkdavo šaką, labiausia atitinkančią loginiais dėsniais grįstas išvadas. Manau, “Logikos Teoretiko” sukūrimas, padarė didelės įtakos visuomenės požiūriui ir sukėlė neapsakomą entuziazmą DI kūrimo srityje. 1956 metais John McCarthy, žmogus dedikuojamas DI tėvu, surengė konferenciją, siekdamas sutelkti visus, besidominčius mašininiu intelektu, pasidalinti savo žiniomis, mintimis ir idėjomis. Po šios konferencijos, pavadintos “Dartmono vasaros tyrimų projektu apie dirbtinį intelektą”, McCarthy pastangomis, ši tyrimu sritis buvo pavadinta dirbtiniu intelektu. Dartmono konferencija sušaukė draugėn DI kūrėjus ir padėjo pamatinį akmenį tolimesniems tyrimams. DI vystymosi ir žinių kaupimo laikotarpis. Po Dartmono konferencijos DI išaušo nauja era. Nors tyrimų laukas dar nebuvo apibrėžtas, idėjos suformuluotos konferencijos, metu buvo peržiūrėtos ir susistemintos. 1956-1963 metai simbolizuoja itin intensyvų laikotarpį. Per šį laikotarpį pradėję kurtis DI mokslinių tyrimų centrai, tokie kaip Carnegie Mellon ir MIT su savo Linkolno laboratorija ir IBM, sukoncentravo savo darbą į du naujai iškeltus tikslus: pirma, apriboti tyrinėjimų įvairovę ir sutelkti pastangas į programų, gebančių efektyviai spręsti uždavinius kūrimą; antra, kurti programas kurios gebėtų mokytis pačios. 1957 metais išbandyta pirmoji, vėlgi Newell ir Simon sukurtos, programos “Bendrų uždavinių sprendėjas”3 versija. Programa galėjo išspręsti plataus masto bendro pobūdžio uždavinius. Kitas mokslininkas, Herbert Gelernet, bandė parašyti programą geometrinėms teoremoms spręsti. Kol kiti kūrė programas, 1958 metais McCarthy padarė lūžį DI istorijoje, sukūręs LISP programavimo kalbą. Ši kalba buvo priimta kaip alternatyvi kalba DI programoms kurti. Ją pasisavino dauguma mokslininkų ir ji naudojama dar ir šiandien. JAV vyriausybė skyrė milžiniškas subsidijas DI sferai. Parama Gynybos Departamento4 “Pažangių mokslinių tyrimo projektų institucijai”, pritraukė begales kompiuterijos specialistų iš viso pasaulio. DI tyrimo tempai, o tuo pačiu ir rezultatai, ženkliai išaugo. DI branda ir programų bumas. Per sekančius kelerius metus buvo sukurta daugybė programų. Viena žymiausių SHRLDU. SHRLDU buvo dalis Microworlds projekto, kuris tyrė ir programavo mažuose pasauliuose (tokiuose kaip kambaryje esančios kelios geometrinės figūros). Robotai, stovėdami priešais rinkinį tikslių geometrinių figūrų, žiūrėjo pro kameras ir interpretavo ką matė. Tada vaikštinėjo, judino figūras ir reiškė savo supratimą, atlikinėjo veiksmus ir motyvavo savo pasirinkimus. Septintojo dešimtmečio pabaigoje sukurtos programos STUDENT, sprendžianti algebrinius uždavinius, ir SIR, suprantanti paprastus anglų kalbos sakinius. Jos patobulino kalbos supratimo ir logikos sritis. Aštuntasis amžius ekspertinių sistemų (ES) bumo pradžia. ES galėjo nuspėti sprendimo tikimybę esant nustatytoms sąlygoms (plačiau skaitykite antrame skyriuje). Tyrinėtas automatinis mokymasis ir euristikos5 prigimtis, pagerintas kompiuterio įžvalgumas. Šiuo laikotarpiu pasiektas dar vienas didelis laimėjimas – 1972 metais sukurta PROLOG kalba. Ji buvo daug patogesnė DI tyrinėtojams negu LISP. DI pagrįstos ES pradėtos naudoti pramonėje ir kare. Tuo laiku žymiausias DI panaudojimas militaristikoje buvo operacijos Audra dykumoje sinchronizavimas ir koordinavimas, asistuojamas ES. Nuosmukiai, pakilimai ir dabartiniai laikai. Nors bandymai kurti intelektą buvo labai entuziastingi ir dosniai remiami, pagrindinis DI algoritmas dar nebuvo sukurtas. Populiarėjant personaliniams kompiuteriams, visuomenė vis mažiau dėmesio skyrė DI srityje vykstantiems procesams. 1987 pakeitus LISP mašinas, universaliaisiais kompiuteriais su DI programine įranga populiaria C kalba, ES industrija patyrė krizę. Kompiuterių įžvalgumo pramonė taip pat stipriai nukentėjo, kai avarija patyrė Machine Vision International. Nepaisant nesėkmių, devintojo dešimtmečio pradžioje DI industrija pradėjo atgauti jėgas. Vis tik nuo tada visuomenė, mokydamasi iš savo klaidų, apsiribojo daug konservatyviškesniu požiūriu į DI. Atsistatyti padėjo atnaujinti neuronų tinklų tyrimai, persvarsčius jų galimą indėlį į DI. Taip pat nauja Japonijos mokslininkų išvystyta technologija. Neraiškioji logika, turėjo unikalių gabumų priimti sprendimus, esant neapibrėžtoms sąlygoms. Devintasis dešimtmetis parodė DI vietą korporacinėje rinkoje ir įrodė, kad šių technologijų pritaikymas praktikoje yra įmanomas ir gali būti labai naudingas. Tai buvo ženklas, kad DI ir XXI a. išliks viena prioritetinių kompiuterijos mokslo sričių. Atliekama vis daugiau tyrimų, kuriamos vis sudėtingesnės programos ir vis labiau artėjama prie tikslo. 1.3 DI duomenų bazės DI funkcionuoti reikia daug informacijos ir žinių. Tai reiškia reikia turėti labai didelę ir lanksčią duomenų bazę. DI duomenų bazė nėra tokia, kaip paprastų programų. Ją sudaro: • Dirbtiniai neuroniniai tinklai (DNT) • Genetiniai algoritmai (GA) • Neraiškiosios (fuzzy) logikos aibės • Žinių bazių modeliai Genetiniai algoritmai – tai optimizacinės technologijos, naudojamos apytikslių sprendimų sunkiai sprendžiamiems uždaviniams suradimui, taikant evoliucinės biologijos principus kompiuterių mokslui [21]. Tai algoritmai, naudojantys tokius procesus kaip genetinė kombinacija, mutacija, paveldimumas, natūrali selekcija bei besiremiantys evoliucijos konsepcija. GA kiekvienas konkretaus uždavinio sprendimas yra užkoduojamas kaip chromosomos ir palyginamas su atitinkamais sprendimais. Efektyvi GA reprezentacija ir prasmingi tinkamumo apskaičiavimai yra jų pritaikymo sėkmės priežastis. GA yra itin patrauklūs vartotojui dėl savo spartos ir gebėjimo greitai atrasti sprendimus itin sudėtingiems uždaviniams. Neraiškioiji logika ir jos aibės. Neraiškioji logika yra žinomos Boolean logikos tąsa. Paprasčiau, neraiškiosios logikos sistemos naudojamos tada, kai nepakanka paprastos kompiuterinės logikos sprendimo (taip ar ne, 0 ar 1, juoda ar balta), bet reikia veikti pagal žmogaus mąstymo logiką “kas, jei”. Neraiškioji logika leidžia nustatyti tarpines vertes. Galime rinktis ne tik juoda ar balta, bet ir įvairius pilkus atspalvius, tokius kaip šviesus, juosvas. Įsivaizduokite tokią situaciją: Jonas yra bute, kuriame yra tik du kambariai – virtuvė ir valgomasis. Remiantis tradicine logika, jis gali būti arba virtuvėje ar valgomajame. Tačiau, ką sakysime, kai Jonas stovės tarpduryje? Būtų galima teigti, kad Jonas yra beveik virtuvėje. Būtent šį dalinį įvertinimą ir sprendžia neraiškiosios logikos aibės. Tol, kol Jonas stovi tarpduryje, nei vienas pasirinkimas iš dviejų neapibūdintų tikslios jo padėties. Neraiškios logikos aibės taikomos atpažįstant žmogaus ranka rašytą raštą, tačiau dažniausiai ES, kuriuose esanti informacija yra prigimtinai miglota. Dirbtiniai neuroniniai tinklai. “DNT yra lygiagreti bei paskirstyta informacijos apdorojimo struktūra susidedanti iš apdorojimo elementų (AE) (kurie gali turėti lokalią atmintį bei atlikti lokalizuotos informacijos apdorojimą) sujungtų kartu vienakrypčiais signalų kanalais vadinamais synapsėmis. Kiekvienas AE turi vieną išėjimą, kuris šakojasi į norimą skaičių šakų (kuriomis perduodamas tas pats AE išėjimo signalas). AE išėjimo signalas gali būti bet kokio reikalingo matematinio tipo. Visas apdorojimo procesas vykstantis kiekviename AE turi būti griežtai lokalus, t.y. jis turi priklausyti tik nuo gautų AE įėjimo signalų reikšmių bei AE lokalios atminties”6. Tikrieji, bioologiniai neuronų tinklai susideda iš nuo keleto iki keleto milijardų tarpusavyje sujungų neuronų. DNT kuriami atsižvelgiant į natūralią jų prigimtį. Pagrindinė problema yra ta, kad dar nėra aišku, kaip veikia biologinis neuronų tinklas, tad DNT struktūra yra labai įvairi ir jų kūrimo modeliai vis kinta. Dirbtinis neuronas yra labai supaprastintas biologinio neurono modelis (2 pav.) [11]. 2 pav. Biologinio neurono supaprastintas atvaizdas Matyti, jog biologinis neuronas gali būti salyginai suskirtytas į tris dalis: įėjimo, laidumo bei išėjimo sluoksnius. Įėjimo sluoksnyje esančios dentritės surenka iš aplinkinių neuronų ,,signalus'' į somą, laidumo sluoksnyje signalai praėję aksonos kalnelį perduodami aksona toliau per išėjimo sluoksnyje esančias aksonos atšakas – synapsinius ryšius. Pateiktam supaprastintam biologinio neurono atvaizdui galima sudaryti jo ekvivalentų matematinį modelį – dirbtinį neuroną (žiurėti 3 pav.) [11] bei atitinkamai išreikšti šia formule [ten pat]: (1) kur yra bet kokio tipo matematinė funkcija, vadinama neurono aktyvavimo funkcija, - neurono ryšių svorių vektorius, įėjimo signalo vektorius, - papildomas koeficientas, įvertinantis vidinio nekintamo dydžio signalo  (kuris dažniausiai turi vertę) įtaka neuronui ir vadinamas slenksčiu. 3 pav. Dirbtinio neurono atvaizdas Yra keletas DNT tinklų realizavimo būdų. Jie gali būti būti elektroniniai, optiniai arba modeliuojami kompiuterio programine įranga. Kuriant DI neuroninės struktūros yra patrauklios dėl daugelio priežasčių. Tradicinės DI programos gali būti itin trapios ir jautrios garsams. Žmogaus smegenys daug lankstesnės ir efektyviau interpretuoja garsinius signalus, tokius kaip pokalbis triukšmingame vakarėlyje ar šnabždesiai. Neuroninės struktūros saugo žinias daugelyje smulkių neuronų, pasiskirsčiusių po visą tinklą. Dėl šios priežasties, jie turi daug didesnį potencialą, “grynindami” triukšmingus ar atkurdami nepilnus signalus. 2. DIRBTINIO INTELEKTO TAIKYMAI Norėjus pritaikyti DI, mokslininkai turėjo surasti tinkamus žinių pateikimo ir paieškos modelius. Ieškodami tinkamų žinių pateikimo modelių mokslininkai daugiausia dėmesio skyrė kalbos pateikimui, kaip priversti kompiuterį suprasti natūralią žmogaus kalbą ir ja bendrauti. Žinių paieška – problemų sprendimo technika, tam tikras būdas sistemiškai naršyti uždavinio struktūros erdvę. Uždavinio struktūrų pavyzdžiai galėtų būti skirtingos lentos konfigūracijos stalo žaidimuose ar tarpiniai žingsniai interpretuojant, pagrindžiant vieną ar kitą veiksmą. Ši alternatyvių sprendimų erdvė išnaršoma ir surandamas geriausias sprendimas. Newell ir Simon teigė, kad būtent tai ir yra žmogiškojo uždavinių sprendimo pagrindas [24]. Iš tiesų, kai šaškių žaidėjas apsvarsto kiekvieno ėjimo pasekmes, ar daktaras apžiūrėdamas ligonį sprendžia, kokią ligą diagnozuoti, jie renkasi iš alternatyvų. Kaip ir dauguma mokslų, DI susiskaidė į daug mažesnių disciplinų. Ieškodami geriausių būdų uždaviniams spręsti, mokslininkai bandė įvairius DI taikymo būdus. Yra keturios pagrindinės DI sritys, kurias ir aptarsime šiame skyriuje: • Kompiuteriniai žaidimai • Ekspertinės sistemos (ES) • Natūralios kalbos supratimas ir semantika • Robotika ir planavimas 2.1 Kompiuteriniai žaidimai Prieš kelis dešimtečius, mokslininkai, tirdami kaip naršoma uždavinio sandaros erdvė, į pagalbą pasitelkė tokius žaidimus stalo žaidimus kaip šaškės ar šachmatai. Būdami intelektualaus pagrindo ir pasižymėdami kai kuriomis ypatybėmis, stalo žaidimai galėjo būti idealiai pritaikomi tyrimams. Dauguma jų turi tiksliai apibrėžtas taisykles, ir tai palengvina paieškos erdvės naršymą ir išlaisvina tyrinėtus nuo įvairiausių dviprasmybių ir painumų, būdingų mažiau struktūrizuotiems uždaviniams. Lentos konfigūracijos, žaidžiant šiuos žaidimus, yra žymiai paprasčiau pateikiamos kompiuteryje, nereikalauja sudėtingų formalizmų. Žaidimai gali generuoti itin didelėmis paieškos erdvėmis. Jos yra pakankamai didelės ir sudėtingos, tad reikalauja meistriškumo, gebėjimo nustatyti, kokių alternatyvų reikia ieškoti uždavinio erdvėje. Šis meistriškumas ir gebėjimai vadinamas euristika ir yra labai svarbus DI tyrimų laukas. Euristiniai metodai yra naudingi, bet klystantys. kai Pavyzdžiui, sprendžiant kokį uždavinį pirmiausia tikrinama, ar neatsakantis prietaisas yra įjungtas, dar prieš spėjant, ar jis iš vis veikia. Kompiuterinių žaidimų tobulinimas yra greitai augantis multimilijardinis verslas. Žaidimai, kuriuose yra įgyvendintas DI, yra labai paklausūs, nes užtikrina pelną ir vartotojų pasitenkinimą. Geriausios kompiuterinės šachmatų programos yra pajėgios nurungti žmogų7. Vis populiaresni tampa žmogaus gyvenimą imituojantys žaidimai. Kokybiškai pateikta virtuali tikrovė mus verčia patikėti, kad DI jau sukurtas, tačiau iki tobulybės dar labai toli. 2.2 Ekspertinės sistemos Ekspertinės sistemos, vystėsi kaip dialoginės sistemos; jos sudaro informacinių sistemų,, vadinamų "pagalbinėmis sprendimų priėmimo sistemomis", porūšį,. Ekspertinės sistemos ypatingos tuo, kad praturtina vartotojo žinias apie problemą, kurią nagrinėja, jas kaupia, tuo tarpu pagalbinės sprendimų priėmimų sistemos naudoja nekintančią žinių bazę. ES apibrėžimų yra išties daug tačiau tikslios definicijos kol kas nėra. Anglų kalba pateikiama įvairių šio tipo sistemų pavadinimų, tokių kaip: "sistemos, paremtos žiniomis"; "dirbtinio intelekto sistemos, paremtos žiniomis"; ""kūrybinės sistemos, darančios išvadas iš taisyklių"; "sistemos, su žinių baze"8 . Nors griežtų apibrėžimų nėra, galime išskirti kelis bendrus šių sistemų bruožus: • jos, apima organizuotas žinias, sudarytas iš faktų, jų ryšių ir euristikos, (išprotavimo metodo); tos žinios apima kurią nors specialią sritį; • naudojamos kaip patarėjai, dažniausiai sprendžiant sudėtingas problemas; • kai kurias problemas gali spręsti taip pat sėkmingai kaip ekspertas žmogus, o kartais netgi geriau. Reiktų pasakyti, kad ekspertinės sistemos nesprendžia universalių problemų. Jos sprendžia itin specializuotus uždavinius, apimančius kokią nors vieną sritį. Jos taip pat nėra pranašai ar neginčijami autoritetai. Būtina ekspertinių sistemų savybė yra galimybė įvertinti ir išaiškinti pasiektus rezultatus. D. Kopec ir D. Michie įvardina kaip "žmogaus langą" į dirbančios sistemos vidų. Dėl šios priežasties ekspertinėje sistemoje negali būti kokių nors nepaprastų paslapčių, kurių negali patikrinti žmogus [16]. ES atsiradimui, jų sukūrimui reikšmės turėjo keturi tarpusavyje susiję veiksniai: 1. Prasidėjo evoliucija šiose srityse: sąvokų ir operacijų - nuo duomenų - per informaciją - prie žinių perdirbimo. Šios trys perdirbimo kryptys gali vystytis simbiozėje, sukurdamos naują kokybę arba žiniomis grindžiamas sistemas. 2. DI tyrinėjimai, iš kurių ir kilo ekspertinės sistemos. Daug kas pasikeitė nuo J. Lighthill pranešimo laikų, kai jis teigė, kad dirbtinis intelektas neturi perspektyvos, todėl jį plėtoti beprasmiška [17]. Iš tiesų tuo metu laboratorijose kuriamos sistemos negalėjo susidoroti su daugeliu probleminių situacijų. Ypač tuomet, kai buvo ieškoma visų įmanomų uždavinio sprendimų. Šiandien, kai jau žinoma, kad konkrečios sistemos apimtis turį būti apibrėžta ir apribota, programą galima įgyvendinti, o kompiuterio darbas duoda netgi geresnį rezultatą, negu eksperto žmogaus. 3. Kompiuterinės technikos lygio kilimas tiek JAV, tiek Japonijoje, tiek Europoje sukėlė susidomėjimą šiomis sistemomis ir jų kūrimu. Galingesnė, spartesnė ir kokybiškesnė techninė įarnga leido tobilinti šias sistemas. 4. Verslo pasaulyje, kuriame nauda jauste nujaučiama, buvo suvokta, kad ekspertinių sistemų plėtotė ateityje gali atnešti pelną ir sumažinti išlaidas. Tradiciškai įmonės, norėdamos užsitikrinti sėkme, investuodavo lėšas į intelekto šaltinį - žmogų. Tačiau, kaip yra pastebėta, vienos srities ekspertai žmonės, specialistai dažniausiai būna brangūs, klystantys, užimti, nenuoseklūs, nervingi (linkę kelti paniką), mirtingi. ES, leisdusių sumažinti kaštus, paklausa išties didelė. ES sandara. ES sudaro tokios tarpusavyje susijusios dalys arba moduliai: a) žinių įvedimo modulis; b) žinių bazė, kurią sudaro dvi atskiros dalys: faktų ir taisyklių bazė; c) išvadų generatorius; d) vartotojo ryšio su sistema modulis. Žinių įvedimo modulis padeda įvesti į kompiuterio atmintį faktus ir taisykles. Be abejo, šie faktai ir taisyklės turi priklausyti siaurai sričiai, kuriai projektuojama sistema. Žinios, kurias sudaro faktai ir taisyklės, nėra pastovios, jos visą laiką papildomos nauja informacija. Kai kurios iš jų taip pat gali būti panaikintos arba pakeistos. Taigi žinių bazė turi būti nuolat atnaujinama. Faktai žinių bazėje dažniausiai turi deklaratyvią formą, konstatuoja tam tikrus reiškinius. Jie išreiškiami sąlygos sakiniais. Gali būti ir kitų žinių pateikimo būdų, išreiškiamų, pvz., tokiais aplinkybiniais sakiniais, kaip: "jeigu..., tai". Faktai ir taisyklės - pradiniai duomenys - įvedami į kitą modulį, išvadų generatorių. Jis jungia faktus, užrašytus bazėje su atitinkamomis taisyklėmis, užrašytomis taisyklių bazėje. Taip susidaro nauji duomenys, kurie savo ruožtu užrašomi faktų bazėje. Taigi sistema sugeba kurti savo žinių bazę. Paskutinioji ES dalis - tai ryšio su vartotojais modulis. Jis suteikia galimybę vesti varotojo ir sistemos dialogą, klausimų-atsakymų forma. Šiuo atveju duoti klausimus ir atsakyti į juos gali tiek vartotojas, tiek kompiuteris. Šiandien sutinkamos ES gali dirbti tik kurioje nors vienoje, siauroje srityje. Tam, kad ES būtų universalios ir galėtų susidoroti su begalia keliamų užduočių, joms reikia suteikti žymiai daugiau žinių. Kita ES karta reikalaus daug didesnių duomenų bazių. Šiandien ES dar negalima visiškai pasikliauti dėl jų negebėjo paaiškinti savo priimtus sprendimus ir efektyviai mokytis iš patirties. Itin sunku yra patikrinti ES, ar jos gerai funkcionuoja, ar neįsivėlė klaidų, nes patikrinti bet kokią didelės apimties kompiuterinę sistemą išties sudėtinga. Nepaisant visų trūkumų, ES panaudojamos įvairiausiose sferose. Įvairių gaminių, įrengimų projektavimas, žmonių apmokymas, gamybos valdymas, diagnozė – tai tik keletas pavyzdžių, parodančių, kaip ES gali pasitarnauti žmonėms. 2.3 Natūralios kalbos supratimas ir semantika Vienas iš ilgalaikių DI tikslų yra sukurti programas, kurios suprastų žmogaus kalbą ir pačios ja generuotų. Gebėjimas suprasti natūralią kalbą yra ne tik pagrindinis žmogaus intelekto aspektas. Sėkminga kalbos automatizacija taip pat turėtų neapsakomai didelės įtakos pačių kompiuterių naudojimui ir efektyvumui. Buvo įdėta daug pastangų, kuriant tokias programas. Nors jos visos susilaukė sėkmės ribotose situacijose, vis tik sistema, kuri gebėtų vartoti natūralią kalbą taip lanksčiai ir bendrai kaip žmogus, dar nėra sukurta. Norint suprasti natūralią kalbą, nepakanka gramatiškai išnagrinėti atskiras sakinio dalis ir pažiūrėti žodžių reikšmes žodyne. Tikrasis supratimas priklauso nuo turimos informacijos apie kalbamą sritį, tai sričiai būdingus išsireiškimus. Taip pat nuo gebėjimo taikyti bendro konteksto žinias, dviprasmybių ir neaiškumų išsklaidymui, kurie yra natūrali žmonių kalbos dalis. Įsivaizduokite, kiek keblumų iškiltų kalbant apie krepšinį su žmogumi, kuris supranta lietuvių kalbą, tačiau nieko nežino apie taisykles, žaidėjus ar žaidimo istoriją. Ar jis galėtų suprasti tokio sakinio prasmę: “Įžaidėjas per pratesimą įmetė tritaškį nuo vidurio linijos, po to kai priešininkų centras “sužingsniavo” savo baudos aikštelėje”? Nors visi žodžiai sakinyje atskirai suprantami, tačiau net ir inteligentiškiausiam asmeniui, nieko nesuprantančiam apie krepšinį, tai būtų visai nesuprantama. Surinkti ir susisteminti šias bendras ir kontekstines žinias, taip, kad jas būtų galima pritaikyti kalbos suvokimui, formuluoja pagrindinį automatinio natūralios kalbos supratimo uždavinį. Atsižvelgdami į poreikį, tyrinėtojai pateikė daug metodikos, kaip susisteminti semantines reikšmes naudojamas DI. Dėl nepasakomai didelio kiekio žinių, reikalingų natūraliai kalbai suprasti, pagrindiniai darbai buvo atliekami lengvai suprantamose, apribotose aplinkose. Viena pirmųjų tokių programų, naudojančių šį mini pasaulių metodą, buvo SHRLDU. Tai natūralios kalbos sistema, galėjusi “kalbėtis” apie paprastą skirtingų spalvų ir formų figūrų išdėstymą. SHRLDU galėjo atsakyti į tokius klausimus kaip “kokios spalvos figūra yra ant mėlyno kubo?” ar net atlikti tokius veiksmus kaip “padėk raudoną piramidę ant žalios kaladės”. Tokio tipo užduočių, įskaitant kalbėjimą apie objektą ir jų judinimą, DI tyrimuose pradėjo sparčiai daugėti, todėl jos yra žinomos kaip Microworld (angl. mikro pasaulis) užduotys. Nepaisant SHRLDU programos sėkmės šnekučiuojantis apie figūras, jos įgyvendinimo metodai galėjo būti pritaikomi tik labai siauroje ir apribotoje erdvėje. Raiškos modeliai naudoti programoje buvo pernelyg paprasti, kad suprastų semantinę gausesnių ir daug sudėtingesnių sričių, struktūrą. Šiais laikais, kuriant natūralios kalbos supratimo programas, daug dėmesio skiriama ieškant tokių pateikimo modelių, kurie galėtų būti daug kur pritaikomi, ir taip pat prisitaikyti prie specifinės duotos srities struktūros. Šiuo tikslu tyrinėjama daug skirtingų modelių. Jie naudojami programų, galinčių suprasti natūralią kalbą siaurose, bet įdomiose srityse, tobulinimui. Nors pilnai natūralią kalbą suprantanti programa dar nėra sukurta, galime pasigirti nemažais laimėjimais: šiais metais mūsų šalį pasaulinėje parodoje EXPO 2005, pristato DI programa. Virtualus robotas, gebantis su pašnekovu bendrauti realiu laiku, “gyvena” visuose Lietuvos stendo terminaluose, tad vienu metu gali atsakinėti iš karto į kelių žmonių klausimus. 2.4 Robotika ir planavimas Tyrimai planavimo srityje prasidėjo siekiant sukurti robotus, kurie galėtu atlikti užduotis judėdami ir reaguotų į išorinį pasaulį. Tokius robotus, gebančius atlikti tam tikrus veiksmus. Planuojant ieškomi tokie veiksmai, kurie įvykdys aukštesnio lygmens užduotį (pavyzdžiui, pereiti per pilną kliūčių kambarį), nuoseklumo. Planuojant yra sunkus uždavinys dėl daugelio priežasčių. Viena jų yra vietos, reikalingos visiems galimiems veiksmų variantams, dydis. Net paprasčiausi robotai gali įvykdyti neapsakomai daug nuoseklių veiksmų sekų. Įsivaizduokite robotą, kuris juda pirmyn, atgal, į kairę ir į dešinę, ir pasvarstykite, keliais skirtingai būdais jis gali pereiti per kambarį. Tarkime, kambaryje yra kliūčių, ir robotas turi išsirinkti kokį nors patikimą kelią. Tam, kad parašyti programą, šiomis aplinkybėmis galinčia intelektualiai atrasti geriausią taką, ir nebūti užverstiems tokia begalia galimybių, būtina naudoti sudėtingą techniką. Techniką, kuri leistų pateiktį erdvinį suvokimą ir kontroliuoti paiešką tarp galimų terpių. Vienas iš metodų, kurį žmonės naudoja projektuodami, planuodami savo pačių veiksmus, yra hierarchinis uždavinio skaidymas. Jei planuojate kelionę iš Vilniaus į Rygą, tokius dalykus kaip bilietų užsakymas, važiavimas į stotį ar viešbučio paieška darysite atskirai, nors jie ir yra vieno bendro plano dalys. Jas būtų galima skaidyti į dar mažesnes: nusipirkti Rygos žemėlapį, susirasti taksi, nuvažiuoti į norimą restoraną. Šis būdas ne tik susiauriną paieškos dydį, bet ir leidžia išsaugoti dažnai naudojamus smulkesnius planus. Kol žmonės planuoja neįdėdama itin daug pastangų, sukurti programą, darančią tą patį yra didelis iššūkis. Netgi tokia paprasta užduotis, kaip uždavinio skaidymas į smulkesnius, reikalauja gilių euristikos ir išplėstų projektavimo žinių. Nustatyti, kokie smulkesni planai bus išsaugoti, ir kaip jie bus pritaikyti ateityje, taip pat ne lengvas uždavinys. Robotas, kuris aklai atlieka veiksmų seką, nekreipdamas dėmesio į aplinkos pasikeitimus, vargu ar gali būti laikomas protingu. Dažnai, robotas turi sukurti planą, turėdamas nepilną informaciją, ir keisti savo elgesį jį vykdydamas. Robotas gali neturėti tinkamų sensorių, kad nustatytų kliūtis suprojektuotame kelyje. Toks robotas, turi pradėti judėti per kambarį, atsižvelgdamas į tai ką sutinka kelyje, ir keisti pasirinktą kelią, kai susiduriama su kliūtimis. Kurti planus, galinčius reaguoti į kintančias aplinkos sąlygas, yra pagrindinis projektavimo uždavinys. Robotika – buvo viena iš DI tyrimo sričių. Dabar projektavimo tyrimai apima kur kas daugiau nei robotika. Į juos įeina bet kokių sudėtingų užduočių ir tikslų rinkinių koordinacija. Modernūs robotai-planuotojai pritaikyti agentams, taip pat kaip ir šviesos dalelių katalizatoriaus kontrolei. IŠVADOS LITERATŪRA IR ŠALTINIAI 1. AI: Early history and applications [interaktyvus]. [Žiūrėta 2005 m. balandis 4 d.]. Prieiga per internetą:

Daugiau informacijos...

★ Klientai rekomenduoja

Šį rašto darbą rekomenduoja mūsų klientai. Ką tai reiškia?

Mūsų svetainėje pateikiama dešimtys tūkstančių skirtingų rašto darbų, kuriuos įkėlė daugybė moksleivių ir studentų su skirtingais gabumais. Būtent šis rašto darbas yra patikrintas specialistų ir rekomenduojamas kitų klientų, kurie po atsisiuntimo įvertino šį mokslo darbą teigiamai. Todėl galite būti tikri, kad šis pasirinkimas geriausias!