1 Artificial Intelligence (Künstliche Intelligenz 1) Winter 2016/17 Provisional Lecture Notes Part V: Conclusion of KI-1 Michael Kohlhase Professur für Wissensrepräsentation und -verarbeitung Informatik, FAU Erlangen-Nürnberg Michael.Kohlhase@FAU.de August 24, 2017
2 EdN:1 This document contains Part V of the course notes for the Lecture Künstliche Intelligenz 1 held at FAU Erlangen-Nürnberg in the Winter Semester 2016/17. This part 1. 1 EdNote: continue
Contents 3 What did we learn in AI 1? 5 4 Discussing the Course Evaluation 11 3
4 CONTENTS
Chapter 3 What did we learn in AI 1? Topics of AI-1 (Winter Semester) Getting Started What is Artificial Intelligence Intelligent Agents (situating ourselves) (a unifying framework) Problem Solving Problem Solving and Search Constraint Satisfaction Problems Game playing (Adversarial Search) Knowledge and Reasoning Formal Logic as the Mathematics of Meaning Logic Programming Planning Planning Planning and Acting in the real world : Michael Kohlhase 106 Rational Agents as an Evaluation Framework for AI Agents interact with the environment 5
6 CHAPTER 3. WHAT DID WE LEARN IN AI 1? General agent schema Simple Reflex Agents Reflex Agents with State
7 Goal-Based Agents Utility-Based Agent Learning Agents : Michael Kohlhase 107 Rational Agent Idea: Try to design agents that are successful (do the right thing)
8 CHAPTER 3. WHAT DID WE LEARN IN AI 1? Definition 3.0.1 An agent is called rational, if it chooses whichever action maximizes the expected value of the performance measure given the percept sequence to date. This is called the MEU principle. Note: a rational need not be perfect only needs to maximize expected value (Rational omniscient) need not predict e.g. very unlikely but catastrophic events in the future percepts may not supply all relevant information (Rational clairvoyant) if we cannot perceive things we do not need to react to them. but we may need to try to find out about hidden dangers (exploration) action outcomes may not be as expected (rational successful) but we may need to take action to ensure that they do (more often) (learning) Rational exploration, learning, autonomy : Michael Kohlhase 108 Symbolic AI: Adding Knowledge to Algorithms Problem Solving (Black Box States, Transitions, Heuristics) Framework: Problem Solving and Search Variant: Game playing (Adversarial Search) (basic tree/graph walking) (Minimax+αβ Pruning) Constraint Satisfaction Problems (heuristic search over partial assignments) States as partial variable assignments, transitions as assignment Heuristics informed by current restrictions, constraint graph Inference as constraint propagation (transferring possible values across arcs) Describing world states by formal language Propositional Logic and DPLL First-Order Logic and ATP Digression: Logic Programming (and drawing inferences) (deciding entailment efficiently) (reasoning about infinite domains) (logic+search) Planning: Problem Solving using white-box world/action descriptions Framework: describing world states in logic as sets of propositions and actions by preconditions and add/delete lists Algorithms: e.g heuristic search by problem relaxations : Michael Kohlhase 109 Topics of AI-2 (Summer Semester)
9 Uncertain Knowledge and Reasoning Uncertainty Probabilistic Reasoning Making Decisions in Episodic Environments Problem Solving in Sequential Environments Learning Learning from Observations Knowledge in Learning Statistical Learning Methods : Michael Kohlhase 110
10 CHAPTER 3. WHAT DID WE LEARN IN AI 1?
Chapter 4 Discussing the Course Evaluation Zitate aus der Evaluation I Sehr netter und guter Dozent, der versucht auch sehr theoretische Themen an "Praxisbeispielen" klar zu machen Vielen Dank! Der kleine Kalah-Wettbewerb war sehr erfrischend und hat richtig Spa s gemacht! Gerne mehr davon! Haben Sie gute Ideen für das nächste Jahr? Auch die Pause ist ein gro ses Plus Tolles Team, das immer für Fragen/Probleme offen steht und sehr engagiert ist! Ich möchte mich sehr bei Dennis Müller und den Tutoren bedanken. : Michael Kohlhase 111 Zitate aus der Evaluation III (Logik) Der Logikteil ist m.e nach etwas gro s geraten. Ich finde, dass man nicht alles hätte herleiten/beweisen müssen. Wurde mir wärend der VL auch klar, wird im nächsten Jahr stark ausgedünnt. Besonders beim Logikteil fehlt auch das eine oder andere passende Beispiel, was das formal definierte sinnig anwendet. OK, das kann ich ändern Der erste Teil der Vorlesung (Spiele-KI-Programmierung und CSP) hat relativ genau das getroffen, was ich erhofft hatte: Algorithmen praxisnah dargestellt mit Herleitung/Beweis u.ä. aber der Logikteil in dieser Fülle und Tiefe war schon etwas... Ätzend... Dabei ist Logik doch so ein tolles Werkzeug, wenn man es erst mal verstanden hat. UND, die KI war in den ersten 40 Jahren klar von der Logik dominiert. : Michael Kohlhase 112 11
12 CHAPTER 4. DISCUSSING THE COURSE EVALUATION Zitate aus der Evaluation III (Allgemeines) Es wäre schön gewesen wenn für die Vorlesung immer ein Raum mit Tafel verfügbar gewesen wäre. Ich stimme absolut zu. Wenn Herr Kohlhase mal was an der Tafel gemacht hat, dann wirkte dass sehr unvorbereitet. Da ich mich auf die Tafel in der Vorbereitung nicht verlassen konnte, versuchte ich auf Ihre Bedürfnisse einzugehen. ich bin gespannt wie die klausur wird. ich kann mir aufgrund des breiten themenumfanges noch nichts konkretes vorstellen Dafür hatten wir eigentlich die Probeklausur, die Klausur wird ähnlich (aber etwas länger) Welchen didaktischen Wert hat es, Slides auf Englisch bereit zu stellen, die Vorlesung dagegen aber auf Deutsch zu halten? In meinen Augen keine. Dadurch wird nur eine zusaìĺtzliche Inderektion zwischen Prof. und Student geschaffen. Besser: Alles Englisch oder alles Deutsch. Das würde ich gerne mit Ihnen diskutieren... : Michael Kohlhase 113 Und zu Guter Letzt: Eine Spezialvorlesung Logik-Basierte Wissensrepräsentation für Mathematisch/Technisches Wissen [KRMT] Logic-Based Knowledge Representation for STEM Knowledge Main Question: How do humans represent and reason about (certain) Knowledge (e.g. in STEM domains) Meta-Question: How can we represent and reason about methods/mechanisms for knowledge representation and inference. In the course you will learn how to represent mathematical/technical knowledge (in the large) get your hands dirty with actually flexiformalizing domains of your choice represent logics and inference systems in a machine-oriented way get your hands dirty with developing and formalizing logics in the OM- Doc/MMT This is a couse you can only get at FAU (currently; this may spread) This course is a gateway into research in my group. : Michael Kohlhase 114
Index MEU principle, 8 principle MEU, 8 rational, 8 13