Introduktion till AI AI=“Få maskiner att göra sånt som, om…” AI<=>kognitionspsykologi 3 viktiga områden: Kunskapsrepresentation Sökning och kontroll Lärande

Kunskapsrepresentation Vad finns för kunskap inom området? Hur representera denna i datorn? Hur manipulera/förändra?

Sökning Val bland alternativ Relaterat till kunskapsrepresentation Vad är en (tillräckligt) bra lösning? “Dåliga” sökvägar Finns det en lösning? När sluta?

Inlärning Vilken kunskap finns/ges från början? Hur genereras och integreras ny kunskap? “Lärare”, ”kritiker”… Vem? Hur? “Erfarenheter”, exempel

3 exempel på AI-program AM MYCIN HYPO

AM Matematik Mycket kunskap och regler från början Agenda => val av tumregler => tillämpning => lagring av resultat 3 typer av uppgifter Hitta representant för koncept Skapa nytt koncept Lägga till uppgift på agendan

AM (forts.) Typiska regler Tumregler (c:a 40) väl lämpade för domänen Specificering Generalisering Tumregler (c:a 40) väl lämpade för domänen Kritik...

MYCIN Medicin Stor, väl utvecklad kunskapsbas Ny kunskap kan genereras genom tester Lösningar kan rangordnas utifrån kontext Regelbaserat (if … then ...) Sannolikhetskalkyl Lika bra som läkare

MYCIN (forts.) Mål-inriktat (bakåtriktat) Svårt! Kunskapsingenjör Grundkunskap genom samtal Tyst kunskap Regler Optimering

HYPO Juridik Case-baserat resonemang 3 problem HYPO har: Representation av cases Bedöma likhet (vad innebär “liknande” fall?) Hitta fall som kan vara till nytta HYPO har: Kunskapsbas av rättsfall Kunskap om juridiska faktorer, regler, lagar...

Kunskapsrepresentation Syntax och semantik Kunskapsbas och interpretator/motor Det finns inga “rätt” och “fel”… Realism Prestanda Speciella problem (t.ex. granularitet) Avvägning! Ofta reduktionistisk kunskapssyn

Typiska frågor Tydlighet Effektivitet Omfång Vokabulär Modularitet Utökbarhet Åtkomst Resonemang Arbetsfördelning Modifierbarhet

Översikt av tekniker för kunskapsrepresentation Semantiska nät Frames Scripts Regelbaserade representationer Logik

Semantiska nät Propositionell kunskap ISA-, AKO-hierarki AM: 2 ISA prime Problem: var skall gemensam information lagras? Avvägning: representation<=>interpretation

Frames Flera informationsbitar => en En samling “slots” och “slot fillers” Default (förväntningar) Hierarkiska relationer Kan ses som en agenda

Scripts Kausal kedja Typiska händelser Ofta ordnade i spec. ordning Används för att förstå korta berättelser “Common sense” krävs också

Regelbaserade representationer Produktionsregler Ofta expertsystem 3 delar: Regelbas (if…then…) Kontext (LHS) Interpretator (=>RHS)

Regelbaserade repr. (forts.) Forward och backward reasoning Forward Kontexten LHS Backward Önskade mål RHS

Regelbaserade repr. (forts.) Forward Datadriven När ingen aning Mänskligt resonerande Backward Goal-driven Ett fåtal möjliga lösningar Problemlösning

Logik FOPL Verkar inte vara kognitivt plausibel Sundhet och kompletthet Obestämbarhet