Introduktion till AI AI=“Få maskiner att göra sånt som, om…”

En presentation över ämnet: "Introduktion till AI AI=“Få maskiner att göra sånt som, om…”"— Presentationens avskrift:

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

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

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

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

5 3 exempel på AI-program AM MYCIN HYPO

6 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

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

8 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

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

10 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...

11 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

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

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

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

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

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

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

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

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

20 Logik FOPL Verkar inte vara kognitivt plausibel
Sundhet och kompletthet Obestämbarhet