Sökning – introduktion Blind vs. heuristisk blind – bara strukturen heuristisk – värderar alternativen heuristisk överlägsen vid hög kostnad men värdering kostar också Sökträd schack: kombinationer 10 TFLOPS sedan universums födelse...

Sökning - introduktion Alla söktekniker har för- och nackdelar Val beror på typ av träd: “buskigt”? djupt? var är målnoderna? Önskvärt: garanterad att hitta målnod om det finns optimal lösning effektiv = minstantal undersökta alternativ

Blind sökning Fyra vanliga: Bredden först Djupet först Uniform cost Hill-climbing

Blind sökning Bredden först: alla noder på viss nivå undersöks före de på nästa nivå “försiktig” garanterat hittas kortaste väg till en målnod om målnod djupt ned – slösaktig Djupet först: alla noder i en gren undersöks före nästa de i nästa gren “aggressiv” kan förirra sig ned i grenar utan målnod, eller mycket djupt ofta införs begränsat djup

Blind sökning Uniform cost: en kostnad förknip- pad med varje steg hittar billigastevägen till en målnod väljer alltid alter- nativet med lägst kostnad hittills vid lika kostnad, samma som bredden först Hill-climbing väljer det bästa alternativet bland efterföljande noder lokala maxima platåer garanterar inte att optimal lösning hittas kan förirra sig bland ointressanta alternativ

Heuristisk sökning Blinda sökmetoder utforskar alla alter- nativ (om målnod saknas) Heuristiska metoder använder information om: domänen sökrymden målnoders egenskap! Heuristiska metoder: utforskar bara de intressantaste alternativen vilka är de? tumregler används “avstånd”

Heuristisk sökning A* bygger på Uniform cost utöver kostnad också en evalue- ringsfunktion uppskattar avståndet från aktuell nod till målnod om evalueringsfunk- tionen alltid under- skattar det verkliga avståndet, hittas optimal lösning admissable väljer den nod där kostnad hittills + uppskattad återstå- ende kostnad är minst

Kontroll Kontrollfrågor: hur ska information flöda? hur ska delar sam- arbeta? hur ska delar utformas? 5 kontroll-scheman: regelbaserat agenda frame-procedurer blackboard means–end analysis

Kontroll Regelbaserat 1. matchning 2. konflikt-lösning 3. utförande backward- eller forward chaining vilken regel som väljs beror på konfliktlösnings- schema MYCIN använder backward chaining med sannolikheter

Kontroll Agenda AM ordnad lista av saker att göra ordnad efter: –hur intressanta uppgifterna är –prioritet –viktighet –aktualitet Frame-procedurer HYPO procedur kallas när en “slot” manipuleras ärvning kan förekomma

Kontroll Blackboard central lagringsplats för kunskap –uppdelad i nivåer knowledge sources –bevakar delar av lagringsplatsen –komplexa –kommer bara åt vissa nivåer –kan styra andra mycket flexibelt komplex kommunikation ex: talförståelse –många nivåer fonem syntax semantik pragmatik –information flödar upp och ned mellan KS

Kontroll Means–end analysis väljer vad som ska göras enbart utofrån uppskattning av “avståndet” till målet –ex: hur ta sig till sta’n... GPS, Newell & Simon ingen domänspecifik kunskap “svag”, generell metod liknar mänsklig problemlösning i ovana situationer

Inlärning Det är ganska lätt att uppnå viss fram- gång inledningsvis, men extremt svårt att upprätthålla in- lärningen de första resultaten beror ofta direkt på (bra) val av: –representation –sökstrategi –kontrollmekanism kritik: resultaten är “inbyggda”

Inlärning Inlärning viktigt p.g.a: ökar förståelse för både maskin och människa datorer blir kraftfullare och mer användbara “hjälp till självhjälp” kan behövas när människan inte räcker till, t. ex. vid konstruktion av expertsystem

Inlärning 5 frågor: arkitektur exemplens roll typ av inlärning ursprunglig kunskap algoritmer Arkitektur vilken komponent står för inlärningen? varifrån kommer kritiken? vilken kunskap finns i systemet?

Inlärning Exempel hur används exempel? vem tillhandahåller dem? –externt eller internt? vilka egenskaper bör de ha? vilka typer finns? hur genereras de? i vilken ordning presenteras de? Typ av inlärning “rote” memorization? kan detaljer fyllas i? –deduktivt, induktivt, genom analogier kan osäkerhet hanteras? kan råd tas emot? sker inlärningen steg för steg?

Inlärning Ursprunglig kunskap vilka primitiv finns från början? vilken detaljnivå och omfattning har domänkunskapen? hur är domänkun- skapen strukturerad? finns en “bias” i representationen? Algoritmer generalisering specialisering induktion deduktion analogier “meta”-inlärning: –nya koncept –nya lösningar –ny organisation –misstag...

Inlärning Arkitektur består av: kunskapsbas utförare kritiker inlärare –modifierar kunskaps- bas och utförare problem-generator omvärld –där exempel hämtas Exempel källa –extern –intern tumregler –mest generella –extremfallen kvalitet –att hitta bra exempel är en konst

Inlärning Typ av inlärning kan bl.a. klassificeras efter: använda algoritmer kunskapsrepresen- tationen domänen om det finns en lärare typ av exempel Typ av exempel “rote” memorization –blir tillsagt genom exempel –generaliserar analogier –hittar “mappningar” instruktioner –fyller i detaljer

Inlärning Finns en lärare? supervised –back propagation unsupervised –AM –men koncept kan namnges Förhandskunskap the “right primitives” problem möjligheter till förbättring –the “new terms” problem “bias” –allt som påverkar val av hypotes –skifta “bias” – lära att lära...

Inlärning Generalisering ändra konstanter till variabler släpp villkor lägg till alternativ utöka kvantifierare klättra uppåt i is–a-hierarki