Introduktion til KI/Intelligente systemer KIS, efterår 2003 Henrik Bulskov Styltsvig Datalogiafdelingen, hus 42.1 Roskilde Universitetscenter Universitetsvej 1 Postboks 260 4000 Roskilde Telefon: 4674 2000 Fax: 4674 3072 www.dat.ruc.dk
Kunstig intelligens - vedrører Brug af computere til ræsonnering, mønstergenkendelse, indlæring, eller anden form for inferens Et fokus på problemer der ikke har konventionelle algoritmiske løsninger, men må angribes ved heuristisk søgning og AI problemløsnings teknikker Et fokus på problemløsning ved brug af ikke eksakt, manglende, eller vagt defineret information. Brug af repræsentationsformalismer som tillader programmer at kompensere for dette. Et forsøg på at håndtere aspekter af både semantisk viden (mening) og syntaktisk form Systemer der kan give svar der hverken er eksakte eller optimale, men i en eller anden forstand tilfredsstillende. Brug af omfattende domænespecifik viden i løsning af problemer. Brug af metaniveau viden for at opnå bedre kontrol i problemløsnings-strategier Henrik Bulskov Styltsvig 2
Intelligente maskiner Filosoffer har gennem tiderne forsøgt at afklare hvordan den menneskelige hjerne fungerer og om tankevirksomhed er unikt for mennesker Intelligens evnen til at forstå og lære evnen til at tænke og forstå i stedet for at handle instinktivt og automatisk... evnen til at lære og forstå, til at løse problemer og til at træffe beslutninger Kunstig intelligens at få maskiner til at reagere på en måde som ville kræve intelligens af et menneske altså ikke at konstuere maskiner der kopierer mennesker kan maskiner tænke? Henrik Bulskov Styltsvig 3
Turings banebrydende artikel A.M. Turing Computing machinery and intelligence, Mind, vol 59, pp 433-460, 1950 kan maskiner tænke? Er der tanke uden erfaring? Er der tanke uden kommunikation? Er der sprog uden liv? Er der intelligens uden liv? Turing foreviste en måde at svare på dette: Turing test Henrik Bulskov Styltsvig 4
Turing test (i varianten Turing Imitation game) Fase 1: En spørger, en mand og en kvinde fordeles i hvert sit rum Spørgeren skal finde ud af hvem der er mand og hvem der er kvinde ved at stille spørgsmål til disse manden skal forsøge at narre spørgeren til at tro at han er kvinden kvinden skal forsøge at overbevise spørgeren om at hun er kvinden Henrik Bulskov Styltsvig 5
Turing test Fase 2: Manden erstattes af en computer, der er programmeret til at narre spørgeren til at tro at den er kvinden Resultat: hvis computeren kan narre spørgeren ligeså ofte som manden kan, så kan vi sige at computeren har bestået en test for intelligent adfærd Henrik Bulskov Styltsvig 6
Turing test Turing troede at ved slutningen af det 20'ende århundrede ville det være mulige at programmere en computer til at bestå turing testen det holdt ikke stik Testen er dog stadig lige relevant til evaluering af et intelligent / vidensbaseret system: Evaluering af intelligent program ved at sammenligne programmets reaktioner med menneskelige reaktioner Henrik Bulskov Styltsvig 7
The Loebner Prize--"The First Turing Test" Hugh Loebner ("New York Philanthropist") har i 1990 igangsat en årlig Turing Test konkurrence Guld medalje på 100.000 dollars endnu ikke vundet To sidste årlige konkurrencer vundet af Richard Wallace med A.L.I.C.E. "chatbot'ten" (Alicebot) Henrik Bulskov Styltsvig 8
KI's historie; I begyndelsen A.M. Turing Opfandt "computer science" og afgrænsede KI-området Turing test, Turing Maskine,... Warren McCulloch & Walter Pits, 1943: En model for et kunstigt neuralt netværk, demonstrerede at simple netværk kunne indlære dannede grundlaget for Neurale Netværk Marvin Minsky & Dean Edmonds 1951: den første Neurale netværkscomputer Claude Shannon Programming a Computer for Playing Chess,'' Philosophical Magazine, Series 7, Vol. 41 (No. 314, March 1950) Henrik Bulskov Styltsvig 9
KI's historie: Store forventninger, mange penge Summer workshop at Dartmouth College (1956) organiseret af John McCarthy, Marvin Minsky & Claude Shannon Dannede begrebet "Artificial Intelligence" Herefter var området etableret og tiltrak megen opmærksomhed og penge, fokus bl.a. på arbejdet med McCulloch & Pits Neurale Netværk fortsatte Rosenblatt definerede perceptron og viste konvergens teoremet, der demonstrerede at hans inlæringsalgoritme kunne tilpasse vægtene i en perceptron (simpelt neuralt netværk) General Problem Solver (GPS) Albert Newell & Herbert Simon, Carnegie Mellon Problem defineres i termer af tilstande "Mean-end" analyse bestemmer forskel imellem aktuel og ønsket tilskand (måltilstand) for problemet og vælger operatorer for at opnå måltilstanden "Solution plan": sættet af operatorer MEN GPS kunne ikke klare komplekse problemer Weak methods forsøg på ny tilgang (alternativ til f.eks. GPS' udtømmende analyse), der benytter general søgemekanisme til at bestemme en løsning på et problem baseret på "weak information" om problem-domænet Henrik Bulskov Styltsvig 10
KI's historie: Skuffelse og lukkede pengekasser (sidst i 60'erne først i 70'erne) Vigtigste problemer for AI AI forskere udviklede generelle metoder til brede klasser af problemer tidlige programmer indeholdt intet eller kun lidt viden om problem-domænet AI programmer baserede sig hovedsageligt på gentagne søgning blandt kombinationer af "små skridt imod en løsning" brugbart for små problemer men typisk ikke skalerbart Mange problemer der blev tilgået med AI var for komplekse Henrik Bulskov Styltsvig 11
KI's historie: Skuffelse F.eks Maskinoversættelse et skuffende projekt fra starten et stort velfinansieret projekt (Amerikanske stat) automatisk oversættelse af russiske videnskabelige artikler beregnet på at studere arbejdet med den russiske satellit Sputnik i 1957 primært omkring ideen om ord-til-ord oversættelse udfra en elektronisk ordbog det måtte konstateres at en generel forståelse var nødvendig for at kunne vælge den korrekte oversættelse og at en sådan ikke kunne håndteres af programmet Henrik Bulskov Styltsvig 12
KI's historie: Skuffelse og konsekvenser USA: alle oversættelsesprojekter støttet af den amerikanske stat blev stoppet i 1966 Generelt: Interessen for AI var forsvundet bevillinger forsvandt projekter blev lukket eneste håndgribelige resultater var "Game playing" realistiske problemer kunne ikke håndteres England: Den Britiske regering stoppede i 1971 al støtte til AI forskning James Lighthill (Hyret af det Britiske naturvidenskabelige forskningsråd) konkluderede: ingen afgørende eller vigtige resultater fra AI forskningen ingen grund til at bevare AI som forskningsområde Henrik Bulskov Styltsvig 13
KI's historie: Ekspert systemer Vigtig konklusion fra 70'erne AI forskere havde forventet at smarte søgealgoritmer kunne findes, der ville gøre det muligt at emulere generel menneskelignende problemløsning søgning kunne foretages i elementære ræsonneringstrin for at finde komplette løsninger og at "weak knowledge" om domænet kunne anvendes da denne tilgang fejlede blev erkendelsen at domænet for intelligente maskiner måtte snævres ind detaljeret viden om domænet måtte repræsenteres i systemet Henrik Bulskov Styltsvig 14
Ekspert system Dendral Edward Feigenbaum, Bruce Buchanan, Joshua Lederberg, Stanford University Udviklet som eksperimentelt system for ræsonnering med organisk kemi og bl.a. anvendt til bestemmelse af molekyle-struktur på månens overflade baseret på massespektral-data Støttet af NASA Feigenbaum inkoorporerede Lederbergs ekspertviden i programmet for at gøre det i stand tiol at svare på spørgsmål som en menneskelig ekspert. Henrik Bulskov Styltsvig 15
Ekspert system Paradigmeskift med DENDRAL skete et skift i AI fra generelle systemer næsten uden viden til domænespecifikke systemer med en omfattende videnbase Målet med DENDRAL var at udvikle et program der kunne nå niveauet for en menneskelig kemisk ekspert. Baseret på regler i form af heuristikker (tommelfingerregler) vistes med DENDRAL at systemet kunne måle sig med en ekspert Denne type system var hvad senere fik betegnelsen Ekspert system og processen at udlede menneskelig viden (knowhow) fik betegnelsen "knowledge engineering" Henrik Bulskov Styltsvig 16
Ekspert system MYCIN Et regelbaseret ekspert-system til diagnose af infektionssygdomme kan anvise behandlinger (terapeutisk rådgivning) på en brugervenlig måde i kontrollerede omgivelser virker MYCIN bedre end mindre erfarne læger omfattede ca 450 regler udledt fra eksperter ved interview videnbasen med reglerne var klart separeret fra ræsonerings-mekanismen i systemet dermed kunne systemet viden manipuleres selvstændigt EMYCIN ("Essential MYCIN") MYCIN tømt for regler og udstyret med en grænseflade til "knowledge engineering" dermed et domæne-uafhængigt system der er klar til at modtage nye regler indenfor et andet domæne Henrik Bulskov Styltsvig 17
Ekspert system skal Ekspert system skal Som EMYCIN et system der behandler viden i form af regler indenfor et domæne og dermed fungere som et ekspertsystem Henrik Bulskov Styltsvig 18
Ekspert system fra midt-80'erne var ekspert systemer en etableret teknologi. 1986-oversigt (Waterman): rapporterede 200 systemer primært indenfor medicin 1993-oversigt (Dunkin): rapporterede 2500 systemer, handel og produktion havde da fået overtaget (60% iflg. undersøgelsen) Henrik Bulskov Styltsvig 19
Ekspert system begrænsninger kun brugbare indenfor meget snævre domæner følsom overfor ændrede forudsætninger MYCIN fungerede godt, men var ubrugelig i situationer hvor en patient havde mere end en sygdom kan IKKE relatere akkumuleret heuristisk viden (erfaringer) dermed heller ikke opnå en dybere forståelse af problemet har problemer med forståelse af "egne begrænsninger" kan derfor kun bruges ved sikkerhed for at grænserne for domænet er langt væk svært ved at identificere ukorrekt, ufuldstændig eller inkonsistent viden fordi heuristiske regler er viden på en abstrakt form løsrevet fra en basal forståelse af domænet kan ikke lære af erfaringer de er individuelle for domænet og koster mange ressourcer at udvikle Henrik Bulskov Styltsvig 20
Systemer der kan indlære: Neurale Netværk med erkendelsen af begrænsningerne ved ekspert-systemer blev der i midt-80-erne igen fokuseret på indlærende systemer specielt på Neurale Netværk basale ideer og begreber var allerede udviklet år tidligere, men først i 80-erne var der maskiner der var kraftige nok til implementation Neurale Netværk blev "genopdaget" og ideerne blev videreudviklet Området fik en opblomstring og det er stadigt aktivt Henrik Bulskov Styltsvig 21
Neurale netværk begrænsninger NN giver mulighed for bedre interaktion med omgivelserne ræsonnering med regler (symbolsk ræsonnering) NN kan indlære, indfange ændringer i problemområdet, etablere "mønstre", hvor ingen regler kendes, arbejde med upræcis og ufuldstændig information. men NN kan ikke forklare svar, fungerer som en "black box" kræver et egnet "træningssæt" træning svært og dyrt gentræning er problematisk Henrik Bulskov Styltsvig 22
Vag, upræcis, usikker viden: Fuzzy logik klart problem med de regelbaserede ekspertsystemer kan kun etableres hvis der kan indfanges sikker og præcis viden i form af regler Fuzzy logik formalisme netop til håndtering af vag, upræcis, usikker viden giver bl.a. mulighed for at repræsentere vage ord / begreber som høj, god, dygtig,... ofte, sjældent, meget, nogengange,... Fuzzy logik / Fuzzy mængde teori introduceret af Lotfi Zadeh i 1965 har siden (men især i den første periode) været kontroversiel nogen mener at dette skyldes at termen "fuzzy" ikke er seriøs nok andre at det er fordi ideen er så enkel dog næppe hele forklaringen fik særlig opmærksom og interesse i Japan både i forskning og industri bl.a. success med "fuzzy kontrol" i elektroniske apparater: vaskemasiker fjernsyn, fotoapparater,... Henrik Bulskov Styltsvig 23
Fuzzy logik i kognitiv modellering / vidensmodellering Fuzzy regelbaserede systemer performer hurtigere end konventionelle ekspert-systemer fordi de kan klare sig med færre regler Fuzzy systemer tillader indkodning af viden på en form som bedre svarer til måden eksperterne tænker på netop fordi repræsentationen tillader vage og upræcise formuleringer høj/lav, hurtig/langsom, let/tung,... Fuzzy systemer giver mulighed for at opsummere viden hvori der optræder meningsforskelle f.eks. imellem forskellige eksperter Henrik Bulskov Styltsvig 24
Fuzzy logik og indlæring typiske fuzzy systemer er afhængige af regler der er udledt fra ekspertviden de senere år har vist en række nye tilgange hvor den viden der repræsenteres til et fuzzy system er skabt baseret på analyse ved neurale netværk datamining andre "statistiske" metoder Henrik Bulskov Styltsvig 25
KI status igen et etableret og respekteret område dog fragmenteret i delområder hvor flere kun sjældent bruger betegnelsen KI succesen i dag skyldes nok først og fremmest øget regnekraft grundlaget for de fleste teknikker der fokuseres på i dag er udviklet for år tilbage MEN, der kommer hele tiden nye resultater i en spændende udvikling Henrik Bulskov Styltsvig 26