Kapitel MK:I. I. Einführung. Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI

Transkript

1 Kapitel MK:I I. Einführung Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI MK:I-29 I Introduction STEIN

2 Ursprung der Methoden der KI/Wissensverarbeitung (induktives) Lernen Linguistik Problemlösen und Planen Psychologie Heuristische Suche Fuzzy Logic Logik Informatik, speziell KI iologie/ Genetik Chemie, Physik Natur-analoge Verfahren Schließen Operations Research Wissensrepräsentation Wissensakquisition Konnektionismus Kognitionsmodelle Sprachverstehen Multi-genten- Systeme MK:I-30 I Introduction STEIN

3 us einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle: Problemlösen und Optimierung mittels Suche verteiltes Problemlösen: genten, Schwarmintelligenz maschinelles Lernen, Klassifikation Expertensysteme für Diagnose, Planung und Entwurf Tutorsysteme: Intelligent Computer-aided Instruction Kognition: natürlichsprachliche Systeme Kognition: bildverarbeitende Systeme Robotertechnologie Modellierung von Unsicherheit, Vagueheit und Unschärfe Logik und Deduktionssysteme KI-Programmiersprachen (Prolog und LISP) MK:I-31 I Introduction STEIN

4 emerkungen: Wir haben eine pragmatische Herangehensweise hinsichtlich KI: Ziel ist die Entwicklung intelligenter Systeme, ohne dass wir wissen, was Intelligenz ist... MK:I-32 I Introduction STEIN

5 Maschinelles Lernen. eispiel Klassifikation Szenario: MK:I-33 I Introduction STEIN

6 Maschinelles Lernen. eispiel Klassifikation Darstellung der Objekte in einem Merkmalsraum: x 2 x 1 MK:I-34 I Introduction STEIN

7 Maschinelles Lernen. eispiel Klassifikation Lernen eines linearen Klassifizierers: x 2 x 1 MK:I-35 I Introduction STEIN

8 Intelligent Computer ided Instruction, ICI Gegenstand: Entwicklung intelligenter Lehrsysteme zur Unterstützung des Lernenden beim Lernprozess. Vorgehen: Selbsttätiges npassen des Systems an den Lernenden. Erkennung des asiswissens und nalyse der Lerngeschwindigkeit des enutzers. Diagnose von Fehlern und Missverständnissen. Rückschluss auf die Ursachen und npassung des Lernprozesses. ufbauen und Verfeinern eines enutzermodells. MK:I-36 I Introduction STEIN

9 Natürlichsprachliche Systeme Untersuchung der informationsverarbeitenden Prozesse als Grundlage für das Verstehen und Produzieren natürlicher Sprache mit rechnerorientierten Methoden Ziele: Mensch-Maschine-Kommunikation verbessern die an intelligentes Sprachverhalten gebundenen Leistungen maschinell verfügbar machen die komplexen Informationsverarbeitungsprozesse beim Verstehen, Erwerb und Gebrauch natürlicher Sprache exakt beschreiben und erklären Sprachverstehen: Ein natürlichsprachliches System versteht Sprache in dem Sinn, dass eine interne Darstellung der eingegebenen Sachverhalte (in Form einer Wissensbasis) erzeugt wird. uf Grundlage dieser Darstellung werden Sachverhalte analysiert und Fragen und ntworten dazu generiert. MK:I-37 I Introduction STEIN

10 Natürlichsprachliche Systeme. eispiel Dialogsystem [Schneider, Uni Münster, 1998] MK:I-38 I Introduction STEIN

11 ildverarbeitende Systeme Macht die große nzahl von visuellen Prozessen der maschinellen Verarbeitung zugänglich. ufgaben: das Wahrnehmen von Objekten das Klassifizieren von Objekten, z.. rund, länglich die Unterscheidung von Farben, Helligkeiten und Größe die erücksichtigung speziellen Wissens aus dem Einsatzgebiet wie: Falls das Wasser hinter einem Schiff schaumig ist, dann fährt das Schiff. die erücksichtigung der Ziele, z.. Vorgehensweise, um Schiffe zu lokalisieren MK:I-39 I Introduction STEIN

12 ildverarbeitende Systeme Problem der Entwicklung solcher Systeme: Wie funktioniert die Natur? Sehen, Erkennen und Verstehen sind komplexe Vorgänge und der Introspektion nicht zugänglich. rbeitsweise von ilderkennungssystemen: 1. ufnehmen und digitales Darstellen einer Szene als Grau- oder Farbwertmatrix. 2. uffinden von Kanten durch geeignete Filter; Interpretieren der Kanten bzgl. räumlicher Lage und Schnittpunkten (Segmentierung). 3. Kombinieren der Kanten zu Objekten (Objekterkennung). 4. Objekte in eziehung zueinander setzen (Szenenanalyse). MK:I-40 I Introduction STEIN

13 ildverarbeitende Systeme. eispiel Szenenanalyse Einfache Szene: MK:I-41 I Introduction STEIN

14 ildverarbeitende Systeme. eispiel Szenenanalyse Einfache Szene mit Schatten: MK:I-42 I Introduction STEIN

15 ildverarbeitende Systeme. eispiel Szenenanalyse nalyseschritt 1: MK:I-43 I Introduction STEIN

18 ildverarbeitende Systeme. eispiel Szenenanalyse Szene aus der Real World : MK:I-46 I Introduction STEIN

19 Robotertechnologie Robotor sind computergesteuerte Handhabungssysteme, die in Teilgebieten den Menschen gewisse Funktionen abnehmen können. Industrie-Robotor: i. d. R. nicht oder nur wenig intelligente Systeme keine eigenen Entscheidungen/Pläne seit ca in der Forschung (US, Japan) Einsatzgebiet ist die industrielle Fertigung (führend: Japan) Robotor als genten: hierunter versteht man ein System, das in der Lage ist, sich in seiner Umwelt frei zu bewegen, seine Umwelt zu erfassen Sensorik für erührung, bstand, ilder mit seiner Umwelt zu kommunizieren, Pläne zu entwerfen und auszuführen Effektoren: Greifer, Werkzeuge ufgaben auszuführen MK:I-47 I Introduction STEIN

20 Robotertechnologie Robotor als genten (Fortsetzung): Voraussetzungen: natürlichsprachliche Kommunikation ilderkennen und -verstehen Handlungsplanung (logisch und physisch) Fernziel: Konstruktion von autonomen mobilen Robotern, die sich in der menschlichen Umwelt frei bewegen können. Stichwort: Robo-Cup MK:I-48 I Introduction STEIN

21 Deduktionssysteme Deduktion: Prozess des logischen Folgerns aus bestimmten gegebenen Fakten und nnahmen. Einsatzgebiete von Deduktionssystemen: eweisen von mathematischen Sätzen und Sätzen der formalen Logik (Theorembeweiser) llgemein: bleitung neuer Sachverhalte aus bekannten Sachverhalten + bleitungsregeln. Stichwort: deduktive Datenbanken Programmverifikation Programmsynthese Design und Testen von logischen Schaltkreisen als Komponente von wissensbasierten Systemen / Expertensystemen MK:I-49 I Introduction STEIN

22 Deduktionssysteme. eispiel Schlussfolgern Gegeben sind drei verschlossene Obstkisten; eine mit Äpfeln, eine mit irnen und eine mit Äpfeln und irnen. Leider wurden die eschriftungen vertauscht, so dass keine mehr am richten Ort ist. Sie dürfen nur einmal in eine Obstkiste greifen ohne Hineinschauen und ein Obststück herausnehmen. pples pples & Pears Pears In welche Obstkiste greifen Sie, um anschließend eindeutig alle eschriftungen richtig zuordnen zu können? MK:I-50 I Introduction STEIN

23 Deduktionssysteme. eispiel Schlussfolgern Gegeben sind drei verschlossene Obstkisten; eine mit Äpfeln, eine mit irnen und eine mit Äpfeln und irnen. Leider wurden die eschriftungen vertauscht, so dass keine mehr am richten Ort ist. Sie dürfen nur einmal in eine Obstkiste greifen ohne Hineinschauen und ein Obststück herausnehmen. pples pples & Pears Pears In welche Obstkiste greifen Sie, um anschließend eindeutig alle eschriftungen richtig zuordnen zu können? Modellierung: a1 ap2 p3 a1 a2 a3 a1 p1... MK:I-51 I Introduction STEIN

24 Deduktionssysteme. eispiel Textanalyse Das Wochenende hat Lisa gern für sich. Doch jeden der fünf Werktage verbringt sie mit genau einem ihrer drei Freunde. Wen Lisa nächste Woche wann sieht, hat sie so festgelegt: Sehe ich am Donnerstag ndreas oder Jörg, so treffe ich Philipp am Dienstag. ( Do J Do ) P Di Halte ich am Mittwoch Jörg in den rmen, so werde ich den Freitag entweder Philipp oder Jörg widmen. J Mi (P F r J F r ) Treffe ich Philipp am Mittwoch, dann muss ich auch Donnerstag bei ihm sein. Sehe ich Philipp am Montag, dann werde ich, sofern ich mit ndreas am Dienstag kein Rendezvous habe, Philipp auch am Donnerstag treffen. P Mi P Do (P Mo Di ) P Do Schließe ich Dienstag ndreas in die rme, so soll Jörg, wenn nicht schon am Mittwoch, dann am Donnerstag mein Liebhaber sein. Di (J Mi J Do ) Schenke ich Jörg Montag meine Gunst, so ist ndreas am Freitag an der Reihe. Falls ich mit ndreas weder für Montag noch für Dienstag verabredet bin, werde ich ihn auch am Mittwoch nicht sehen. J Mo F r ( Mo Di ) Mi Frage: Trifft Lisa am Mittwoch Philipp? P Mi? MK:I-52 I Introduction STEIN

31 SWT Logik & Wissensrepräsentation verteiltes Problemlösen Expertensysteme tutorielle Systeme Logik Wissensrepräsentation - genten - Umwelt - Kommunikat. - Schwarmintelligenz - kquisition - enutzerschnittstelle - Wartung - Integration - ussagenlog. - Prädikatenlog. - nichtmonot. Schließen - RMS - Regeln - Constraints - semantische Netze - CR - KI-Prog.Spr. Wissensbasierte Systeme Problemlösen mittels Suche - Suchräume - inform.suche - Heuristiken - CSP maschinelles Lernen - indukt. Lernen - reinfor. Lernen - neuron. Netze - ayes-netze Unsicherheit & Vagueheit - ayes - Dempstershafer - Fuzzy Sets Planen - Situationskalkül - locks world Kognition - Wahrnehmung - Modellierung natürl. Sprache - Spracherkennung Information Retrieval, Diagnose, Entwurf Robotik, Linguistik, Psychologie Ingenieurwissenschaften, etriebswirtschaftslehre MK:I-59 I Introduction STEIN