KI: Wie testet man ein Hirn?

Ähnliche Dokumente
Wissensrepräsentation. Semantische Netze. Semantic Web Motivation Semantic Web Prinzipien Ontologien Anwendungen

Theoretische Grundlagen des Software Engineering

Seminar Künstliche Intelligenz Wintersemester 2013/14

Wissensrepräsentation

Semantische Netze Psychologische Plausibilität

Logik für Informatiker

Logische Grundlagen der Mathematik, WS 2014/15

Übersicht SEMANTIC WEB. Semantisches Netz. Concept Map. Möglichkeiten der Wissensrepräsentation Wissensrepräsentation

Seminar Künstliche Intelligenz Wintersemester 2014/15

Logik für Informatiker

Diskrete Mathematik mit Grundlagen

Einführung in die Wissensrepräsentation

Entwicklung und Einsatz von Expertensystemen

Informatik Vorkurs: Etwas Mathematik. Werner Struckmann WS 2014/2015

Künstliche Intelligenz

Euler-Venn-Diagramme

1. Lernen von Konzepten

1 Symbolische Repräsentation

Universität Ulm Abteilung Künstliche Intelligenz. ExtrAns. Verarbeitung natürlicher, schriftlicher Sprache. C. Bohnacker

Einführung in die Informatik 2

Logische Grundlagen der Mathematik, WS 2014/15

3.2 Semantische Netze und Topic Maps (1)

Semantische Relationen in Dokumentationssprachen. vom Thesaurus zum semantischen Netz

Kapitel 8: Semantische Netze

Logik für Informatiker

Übersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)

1 Symbolische Repräsentation

1 Symbolische Repräsentation

Beschreibungslogik. Vorlesung im Sommersemester 2015

Künstliche Intelligenz und automatische Wissensverarbeitung

Logik I. Symbole, Terme, Formeln

Einführung in die Computerlinguistik. Semantik

4 Spezielle Schlussverfahren

Wissen. Wissensmanagement. Was ist Wissen? Wissen - Informatik. Wissen - Künstlichen Intelligenz. Wissensmanagement und Künstliche Intelligenz

4 Spezielle Schlussverfahren

Diskrete Strukturen. Vorlesung 7: Fixpunkte & Kardinalität. 27. November 2018

9. Übung Künstliche Intelligenz

Grundlagen 1: Modelle & Mengen

Kapitel 1. Mengen und Abbildungen. 1.1 Mengen

YAGO YAGO. A semantic knowledge base. Paul Boeck. Humboldt Universität zu Berlin Institut für Informatik. Dezember /19

Einführung in Expertensysteme

Studienprojekt TaxoSearch Spezifikation

Einführung in die Methoden der Künstlichen Intelligenz

Kapitel WT:VIII (Fortsetzung)

Vor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen

Ontologien. Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Ontologien: Konstrukte. Konzepte/Klassen

Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr

Interdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko

Konstruktion von Common Sense-Ontologien durch Analyse natürlicher Sprache

Grundlagen der Mathematik

Spezielle Themen der KI

Ontologiesprachen. 1.Was ist eine Ontologie 2.Aufbau einer Ontologie 3.RDF 4.RDFSchema 5.DAML+OIL / OWL 6.Frame-Logic

Logik in der Informatik

THEORETISCHE INFORMATIK UND LOGIK

KADS / COMMONKADS. Modelle in COMMONKADS zur Spezifikation von WBS

Diskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier

Modulnummer LP = 300 Arbeitsstunden (Workload) M.A. Logik Das Modul ist offen für den Wahlbereich.

Terminologien in der Medizin im Spannungsfeld von Logik und Ontologie

Darstellung von Ontologien im Semantic Web - RDFS-

Semantic Technologies

THEORETISCHE INFORMATIK UND LOGIK

9. Übung Künstliche Intelligenz

Grundlagen Theoretischer Informatik I SoSe 2011 in Trier. Henning Fernau Universität Trier

Teil 4. Mengen und Relationen

Lexikalische Semantik und semantische Lexika. Manfred Pinkal PJS Word Sense Disambiguation SS 2004

Vorlesung Künstliche Intelligenz Wintersemester 2006/07. Teil III: Wissensrepräsentation und Inferenz. Kap.4: Einführung

Brückenkurs Mathematik

THEORETISCHE INFORMATIK UND LOGIK

Was ist mathematische Logik?

1. Mengentheoretische Grundbegriffe. naiver Mengenbegriff : Eine Menge ist eine Zusammenfassung M von bestimmten, wohlunterschiedenen

Beschreibungslogik. Vorlesung im Sommersemester 2016

Grundlagen der Künstlichen Intelligenz

Mengen. (Nicht-) Elemente einer Menge { 3, 4 } { 1, { 2 }, { 3, 4 }, { 5 } } 3 { 1, { 2 }, { 3, 4 }, { 5 } }

Ontology Languages for the Semantic Web

Ivana Daskalovska. Willkommen zur Übung Einführung in die Computerlinguistik. Semantik. Sarah Bosch,

Mengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit

Einführung Grundbegriffe

Formale Sprachen und Automaten

Diskrete Strukturen. Chair for Foundations of Software Reliability and Theoretical Computer Science Technische Universität München

Mathematische Grundlagen für die Informatik

THEORETISCHE INFORMATIK UND LOGIK

Motivation und Geschichte. Geschichte der Logik Logik und Informatik

Theoretische Informatik

Grundlagen der Logik

Grundlagen: 1. Logik. Aussagen und Aussagenformen Wahrheitstabellen; Tautologien und Kontradiktionen Logische Äquivalenz. Prädikate und Quantoren

Grundlagen der Mathematik

Collegium Logicum - Logische Grundlagen der Philosophie und der Wissenschaften Link

Spezielle Themen der KI

Zur Vorbereitung auf die Vorlesung Grundlagen der theoretischen Informatik Mo 4., Mi 6. und Fr. 8. Oktober in H/C 3310 um Uhr.

Erfolg durch Wissen. Petershauser Straße 6, D Hohenkammer

{P} S {Q} {P} S {Q} {P} S {Q} Inhalt. Hoare-Kalkül. Hoare-Kalkül. Hoare-Tripel. Hoare-Tripel. Hoare-Tripel

Gliederung. Mengen und operationen. Relationen. Funktionen. Kardinalität von Mengen. Formale Grundlagen der Informatik Knorr/Fuchs SS 2000

Formale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015

Der semantische Discovery Service YEWNO - ein Pilotprojekt an der Bayerischen Staatsbibliothek. Dr. Berthold Gillitzer Bayerische Staatsbibliothek

Teil III: Wissensrepräsentation und Inferenz. Kap.8: Semantische Netze und Begriffliche Graphen. Quillian, Semantische Netze.

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer

Fuzzy Logic und Wahrscheinlichkeit

Einführung in die Künstliche Intelligenz

Transkript:

KI: Wie testet man ein Hirn? (Und warum?) Richard Jelinek PetaMem GmbH Nürnberg Richard Jelinek Künstliche Intelligenz 11. März 2016 1 / 15

Weltwissen & Repräsentation Weltwissen beschreibt das verfügbare allgemeine Wissen, Kenntnisse und Erfahrungen über Umwelt und Gesellschaft. Wissensrepräsentation (englisch: knowledge representation) dient im Rahmen der Wissensmodellierung dazu, Wissen in Wissensbasierten Systemen formal abzubilden. Gütekriterien Wissensrepräsentation: Korrektheit Mächtigkeit Effizienz Richard Jelinek Künstliche Intelligenz 11. März 2016 2 / 15

Wissensrepräsentation - Wie? Wie soll man Weltwissen formal repräsentieren? 1 Katalog, Glossar, Taxonomie (einfache Kontrollierte Vokabularien), 2 Klassifikation, Thesaurus (begrenzte Zahl von Relationen in der Regel ohne Vererbungsrelation), 3 semantisches Netz, Ontologie, Frames, Produktionsregeln, 4 Axiomensystem, Prädikatenlogik sowie 5 mehrschichtige Erweiterte Semantische Netze (MultiNet). Richard Jelinek Künstliche Intelligenz 11. März 2016 3 / 15

Mathematik Machen wir es kurz: Klassenlogik Mengenlehre (naiv) ZFC axiomatische Klassenlogik 1 1 Arnold Oberschelp: Allgemeine Mengenlehre. BI-Wissenschafts-Verlag, Mannheim u. a. 1994, ISBN 3-411-17271-1. Richard Jelinek Künstliche Intelligenz 11. März 2016 4 / 15

Mathematik Machen wir es kurz: Klassenlogik Mengenlehre (naiv) ZFC axiomatische Klassenlogik 1 Verallgemeinerung der Mengenlehre 1 Arnold Oberschelp: Allgemeine Mengenlehre. BI-Wissenschafts-Verlag, Mannheim u. a. 1994, ISBN 3-411-17271-1. Richard Jelinek Künstliche Intelligenz 11. März 2016 4 / 15

Mathematik Machen wir es kurz: Klassenlogik Mengenlehre (naiv) ZFC axiomatische Klassenlogik 1 Verallgemeinerung der Mengenlehre Antinomien/Paradoxa kein Problem ( Klasse aller Klassen, die sich nicht selbst als Element enthalten ) 1 Arnold Oberschelp: Allgemeine Mengenlehre. BI-Wissenschafts-Verlag, Mannheim u. a. 1994, ISBN 3-411-17271-1. Richard Jelinek Künstliche Intelligenz 11. März 2016 4 / 15

Klassenlogik Axiomensystem einer einfachen allgemeinen Klassenlogik: Abstraktionsprinzip (Klassen beschreiben ihre Elemente durch eine logische Eigenschaft) y : (y {x A(x)} A(y)) Extensionalitätsprinzip (Mengen sind gleich wenn alle ihre Elemente gleich sind) A = B x : (x A x B) Komprehensionsprinzip (Eine Klasse kann ein Element sein) {x A(x)} B y : (y = {x A(x)} y B) Richard Jelinek Künstliche Intelligenz 11. März 2016 5 / 15

Perl Daten ISA Abstraktionsprinzip y : (y {x A(x)} A(y)) (Klassen beschreiben ihre Elemente durch eine logische Eigenschaft) Richard Jelinek Künstliche Intelligenz 11. März 2016 6 / 15

Perl Daten: Relation ISA Beispiel: Ist Hyponym von (Auszug) Richard Jelinek Künstliche Intelligenz 11. März 2016 7 / 15

Transitive Hülle Transitive Hülle ermöglicht O(n) Schlüsse in O(1); Richard Jelinek Künstliche Intelligenz 11. März 2016 8 / 15

Tests: Transitive Hülle A ist ein B ist ein C ist ein D... ok - is gigaset a machine? yes ok - is gigaset a device? yes ok - is gigaset a car? no ok - is flower an organism? yes ok - is flower a small plant? yes Richard Jelinek Künstliche Intelligenz 11. März 2016 9 / 15

Perl Daten: Relation EQU Beispiel: Äquivalenzrelation (Auszug) Richard Jelinek Künstliche Intelligenz 11. März 2016 10 / 15

Allgemeiner: Clique Clique: Hülle von Klassen assoziiert durch Relation ok - czech from eng to ita ok - clique for mul equ contains eng ok - symmetry inferention: pták got from bird while bird has no EQUs ok - iso specified: clique for ces pták contain eng bird ok - mediator language eng: clique for ces pták contain deu vogel ok - no args: clique for ces pták contain eng bird Richard Jelinek Künstliche Intelligenz 11. März 2016 11 / 15

Perl Tests: XOR-concat, bidi ISA zu EQU Beispiele: XOR Test (nicht normiert), Deduktion ISA ISA => EQU Richard Jelinek Künstliche Intelligenz 11. März 2016 12 / 15

Stochastik Probabilistische Logik Richard Jelinek Künstliche Intelligenz 11. März 2016 13 / 15

Perl Daten: Fütter mich! Wo bekommt man die Daten her? PMSE - PetaMem Scripting Environment http://petamem.corpus.technology Wikimedia Projects, Gutenberg WordNet, ISO, Unicode CLDR European Commission Corpora und z.zt. noch 548 weitere Quellen... Richard Jelinek Künstliche Intelligenz 11. März 2016 14 / 15

Danke Q&A http://www.petamem.com/t_n_p/160311-gpw2016_ki_talk.pdf R. Jelinek (rj@petamem.com) Richard Jelinek Künstliche Intelligenz 11. März 2016 15 / 15