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

En presentation över ämnet: "1 Introduktion till AI AI=“Få maskiner att göra sånt som, om…” AI kognitionspsykologi 3 viktiga områden: Kunskapsrepresentation Sökning (och kontroll)"— Presentationens avskrift:

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

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

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

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

5 5 Kunskapsrepresentation Syntax och semantik 2 delar: kunskapsbas och interpretator/motor Det finns inga “rätt” och “fel”… Realism Prestanda Speciella problem (t.ex. granularitet) Avvägning! Ofta reduktionistisk kunskapssyn

6 6 Typiska frågor Tydlighet Effektivitet Omfång Vokabulär Modularitet Utökbarhet Åtkomst Resonemang Arbetsfördelning Modifierbarhet

7 7 Översikt av tekniker för kunskapsrepresentation Semantiska nät Frames Scripts Regelbaserade representationer Logik

8 8 Semantiska nät Propositionell kunskap is-a / a-kind-of vid hierarki is-a-part-of / has-part vid dekomposition Ärvning av egenskaper vanligt Problem: (generellt) hur detaljerad ska man vara?

9 9 Frames Flera informationsbitar => en En samling “slots” och “slot fillers” Default (förväntningar) Hierarkiska relationer

10 10 Scripts Kausal kedja Typiska händelser Ofta ordnade i spec. ordning Används för att förstå korta berättelser “Common sense” krävs också

11 11 Regelbaserade representationer Produktionsregler Ofta expertsystem 3 delar: Regelbas (if…then…) Kontext Interpretator

12 12 Logik Första ordningens predikatlogik vanlig Verkar inte vara kognitivt plausibel Sundhet och kompletthet

13 13 Sökning – introduktion Blind vs. heuristisk blind – bara strukturen heuristisk – värderar alternativen heuristisk överlägsen vid hög kostnad men värdering kostar också Stora sökträd vanliga schack: 10 120 möjliga lägen

14 14 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

15 15 Blind sökning Fyra vanliga: Bredden först Djupet först Uniform cost Hill-climbing

16 16 Heuristisk sökning Blinda sökmetoder utforskar alla alter-nativ (om målnod saknas) Heuristiska metoder använder information om: domänen sökrymden målnoders egenskaper Heuristiska metoder: utforskar bara de intressantaste alternativen vilka är de? tumregler används

17 17 Heuristisk sökning A* bygger på Uniform cost utöver kostnad också en evalueringsfunktion uppskattar avståndet från aktuell nod till målnod om evalueringsfunk- tionen alltid underskattar det verkliga avståndet, hittas optimal lösning admissable väljer den nod där kostnad hittills + uppskattad återstående kostnad är minst

18 18 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

19 19 Inlärning Det är ganska lätt att uppnå viss framgång inledningsvis, men extremt svårt att upprätthålla inlärningen de första resultaten beror ofta direkt på (bra) val av: representation sökstrategi kontrollmekanism kritik: resultaten är “inbyggda”

20 20 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

21 21 Inlärning 5 frågor: arkitektur exemplens roll typ av inlärning ursprunglig kunskap algoritmer

22 22 Inlärning Arkitektur vilken komponent står för inlärningen? varifrån kommer kritiken? vilken kunskap finns i systemet?

23 23 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?

24 24 Inlärning Typ av inlärning Exempel: “rote” memorization? kan detaljer fyllas i? deduktivt, induktivt, genom analogier kan osäkerhet hanteras? kan råd tas emot? sker inlärningen steg för steg?

25 25 Inlärning Ursprunglig kunskap vilka primitiv finns från början? vilken detaljnivå och omfattning har domänkunskapen? hur är domänkunskapen strukturerad? finns en “bias” i representationen?

26 26 Inlärning Algoritmer generalisering specialisering induktion deduktion analogier