Φίλοι του Τ.Μ.Θ.

  • Μεγαλύτερο μέγεθος γραμματοσειράς
  • Προκαθορισμένο μέγεθος γραμματοσειράς
  • Μικρότερο μέγεθος γραμματοσειράς

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

E-mail Εκτύπωση PDF

Συνεχίζεται η δημοσίευση εργασιών που παρουσιάσθηκαν στο 5ο Μαθητικό Συνέδριο Πληροφορικής.

Πρόκειται για την ενδιαφέρουσα εργασία με θέμα το INTERNET που παρουσίασαν οι μαθητές του 1ου ΓΕΛ ΝΑΟΥΣΑΣ


Η εργασία πραγματοποιήθηκε από τους:

Αντωνιάδης Γιώργος, Βασιλακοπούλου Σταυρούλα, Γκαρνέτας Αναστάσης, Δημητράκη Μαρία, Καραμπατζός Κωνσταντίνος

Κατής Ιωάννης, Κολοβού Γεωργία, Κοπατσιάρης Ιωάννης, Λαφάρα Ζωή, Μπέκας Αλέξανδρος, Μποζίνη Δήμητρα

Νούση Ελένη, Ξενίδης Αντώνης, Ορφανού Ελισάβετ, Πάλλα Βασιλική, Σανιδά Μαρία, Τομπουλίδης Αντώνης

Τομπουλίδου Άννα, Φασούλα Ελισάβετ

 

Υπεύθυνη Καθηγήτρια

Γιοβανοπούλου Αφροδίτη

 

Περιεχόμενα

Κεφάλαιο 1 - Τεχνητή Νοημοσύνη

1.1 Ορίσμος τεχνητής νοημοσύνης

1.2 Ιστορική αναδρομή

1.3 Σημαντικοί Σταθμοί

Κεφάλαιο 2 - Εφαρμογές Τεχνητής Νοημοσύνης

2.1 Έμπειρα συστήματα

2.2 Ρομπότ

2.3 Ρομποτική

2.4 Νομοί του Ασίμωφ

2.5 Επίλυση Προβλημάτων

2.5.1 Βελτιστοποίηση

2.6 Νευρωνικά Δίκτυα

2.6.1 Δομή του νευρώνα

2.6.2 Παραδείγματα νευρωνικών δικτύων

2.6.3μέθοδοι εκπαίδευσης των τεχνητών νευρωνικών δικτύων

2.6.4 Εφαρμογές των τεχνητών νευρωνικών δικτύων

Βιβλιογραφία


Κεφάλαιο 1 - Τεχνητή Νοημοσύνη

Ο όρος τεχνητή νοημοσύνη (ΤΝ, εκ του Artificial Intelligence) αναφέρεται στον κλάδο της επιστήμης υπολογιστών ο οποίος ασχολείται με τη σχεδίαση και την υλοποίηση υπολογιστικών συστημάτων που μιμούνται στοιχεία της ανθρώπινης συμπεριφοράς τα οποία υπονοούν έστω και στοιχειώδη ευφυΐα: μάθηση, προσαρμοστικότητα, εξαγωγή συμπερασμάτων, κατανόηση από συμφραζόμενα, επίλυση προβλημάτων κλπ. Ο Τζον Μακάρθι όρισε τον τομέα αυτόν ως «επιστήμη και μεθοδολογία της δημιουργίας νοούντων μηχανών».

Η ΤΝ αποτελεί σημείο τομής μεταξύ πολλών πεδίων όπως της επιστήμης υπολογιστών, της ψυχολογίας, της φιλοσοφίας, της νευρολογίας, της γλωσσολογίας και της επιστήμης μηχανικών, με στόχο τη σύνθεση ευφυούς συμπεριφοράς, με στοιχεία συλλογιστικής, μάθησης και προσαρμογής στο περιβάλλον, ενώ συνήθως εφαρμόζεται σε μηχανές ή υπολογιστές ειδικής κατασκευής. Διαιρείται στη συμβολική τεχνητή νοημοσύνη, η οποία επιχειρεί να εξομοιώσει την ανθρώπινη νοημοσύνη αλγοριθμικά χρησιμοποιώντας σύμβολα και λογικούς κανόνες υψηλού επιπέδου και στην υποσυμβολική τεχνητή νοημοσύνη, η οποία προσπαθεί να αναπαράγει την ανθρώπινη ευφυΐα χρησιμοποιώντας στοιχειώδη αριθμητικά μοντέλα που συνθέτουν επαγωγικά νοήμονες συμπεριφορές με τη διαδοχική αυτοοργάνωση απλούστερων δομικών συστατικών («συμπεριφορική τεχνητή νοημοσύνη»), προσομοιώνουν πραγματικές βιολογικές διαδικασίες όπως η εξέλιξη των ειδών και η λειτουργία του εγκεφάλου («υπολογιστική νοημοσύνη»), ή αποτελούν εφαρμογή στατιστικών μεθοδολογιών σε προβλήματα ΤΝ.

Η διάκριση σε συμβολικές και υποσυμβολικές προσεγγίσεις αφορά τον χαρακτήρα των χρησιμοποιούμενων εργαλείων, ενώ δεν είναι σπάνια η σύζευξη πολλαπλών προσεγγίσεων (διαφορετικών συμβολικών, υποσυμβολικών, ή ακόμα συμβολικών και υποσυμβολικών μεθόδων) κατά την προσπάθεια αντιμετώπισης ενός προβλήματος με βάση τον επιθυμητό επιστημονικό στόχο η ΤΝ κατηγοριοποιείται σε άλλου τύπου ευρείς τομείς, όπως επίλυση προβλημάτων, μηχανική μάθηση, ανακάλυψη γνώσης, συστήματα γνώσης κλπ. Επίσης υπάρχει επικάλυψη με συναφή επιστημονικά πεδία όπως η μηχανική όραση, η επεξεργασία φυσικής γλώσσας, η ρομποτική κλπ.

Η λογοτεχνία και ο κινηματογράφος επιστημονικής φαντασίας από τη δεκαετία του 1920 μέχρι σήμερα έχουν δώσει στο ευρύ κοινό την αίσθηση ότι η ΤΝ αφορά την προσπάθεια κατασκευής μηχανικών ανδροειδών ή αυτοσυνείδητων προγραμμάτων υπολογιστή (ισχυρή ΤΝ), επηρεάζοντας μάλιστα ακόμα και τους πρώτους ερευνητές του τομέα. Στην πραγματικότητα οι περισσότεροι επιστήμονες της τεχνητής νοημοσύνης προσπαθούν να κατασκευάσουν λογισμικό ή πλήρεις μηχανές οι οποίες να επιλύουν με αποδεκτά αποτελέσματα ρεαλιστικά υπολογιστικά προβλήματα οποιουδήποτε τύπου (ασθενής ΤΝ), αν και πολλοί πιστεύουν ότι η εξομοίωση ή η προσομοίωση της πραγματικής ευφυΐας, η ισχυρή ΤΝ, πρέπει να είναι ο τελικός στόχος.

1.1 Ορισμός τεχνητής νοημοσύνης:

«ΤΝ είναι ο τομέας της επιστήμης των υπολογιστών, που ασχολείται με τη σχεδίαση ευφυών υπολογιστικών συστημάτων, δηλαδή συστημάτων που επιδεικνύουν χαρακτηριστικά που σχετίζονται με τη νοημοσύνη στην ανθρώπινη συμπεριφορά.»
Barr and Feigenbaum

«ΤΝ είναι η επιστήμη που κάνει τις μηχανές να κάνουν πράγματα που θα απαιτούσαν ευφυΐα αν γινόταν από ένα άνθρωπο.»
Marvin Minsky

1.2 Ιστορική αναδρομή

Κατά τη δεκαετία του 1940 εμφανίστηκε η πρώτη μαθηματική περιγραφή τεχνητού νευρωνικού δικτύου, με πολύ περιορισμένες δυνατότητες επίλυσης αριθμητικών προβλημάτων. Καθώς ήταν εμφανές ότι οι ηλεκτρονικές υπολογιστικές συσκευές που κατασκευάστηκαν μετά τον Β' Παγκόσμιο Πόλεμο ήταν ένα τελείως διαφορετικό είδος μηχανής από ότι προηγήθηκε, η συζήτηση για την πιθανότητα εμφάνισης μηχανών με νόηση ήταν στην ακμή της. Το 1950 ο μαθηματικός Άλαν Τούρινγκ, πατέρας της θεωρίας υπολογισμού και προπάτορας της τεχνητής νοημοσύνης, πρότεινε τη δοκιμή Τούρινγκ[1]·μία απλή δοκιμασία που θα μπορούσε να εξακριβώσει αν μία μηχανή διαθέτει ευφυΐα. Η τεχνητή νοημοσύνη θεμελιώθηκε τυπικά ως πεδίο στη συνάντηση ορισμένων επιφανών Αμερικανών επιστημόνων του τομέα το 1956 (Τζονμακάρθι, Μάρβινμίνσκυ, Κλοντ Σάνον κλπ). Τη χρονιά αυτή παρουσιάστηκε για πρώτη φορά και το Logic Theorist, ένα πρόγραμμα το οποίο στηριζόταν σε συμπερασματικούς κανόνες τυπικής λογικής και σε ευρετικούς αλγορίθμους αναζήτησης για να αποδεικνύει μαθηματικά θεωρήματα.

Επόμενοι σημαντικοί σταθμοί ήταν η ανάπτυξη της γλώσσας προγραμματισμού LISP το 1958 από τον Μακάρθι, δηλαδή της πρώτης γλώσσας συναρτησιακού προγραμματισμού η οποία έπαιξε πολύ σημαντικό ρόλο στη δημιουργία εφαρμογών ΤΝ κατά τις επόμενες δεκαετίες, η εμφάνιση των γενετικών αλγορίθμων την ίδια χρονιά από τον Φρίντμπεργκ και η παρουσίαση του βελτιωμένου νευρωνικού δικτύου perceptron το '62 από τον Ρόσενμπλατ. Κατά τα τέλη της δεκαετίας του '60 όμως άρχισε ο χειμώνας της ΤΝ, μία εποχή κριτικής, απογοήτευσης και υποχρηματοδότησης των ερευνητικών προγραμμάτων καθώς όλα τα μέχρι τότε εργαλεία του χώρου ήταν κατάλληλα μόνο για την επίλυση εξαιρετικά απλών προβλημάτων. Στα μέσα του '70 ωστόσο προέκυψε μία αναθέρμανση του ενδιαφέροντος για τον τομέα λόγω των εμπορικών εφαρμογών που απέκτησαν τα έμπειρα συστήματα, μηχανές ΤΝ με αποθηκευμένη γνώση για έναν εξειδικευμένο τομέα και δυνατότητα ταχείας εξαγωγής λογικών συμπερασμάτων, τα οποία συμπεριφέρονται όπως ένας άνθρωπος ειδικός στον αντίστοιχο τομέα. Παράλληλα έκανε την εμφάνισή της η γλώσσα λογικού προγραμματισμού Prolog η οποία έδωσε νέα ώθηση στη συμβολική ΤΝ, ενώ στις αρχές της δεκαετίας του '80 άρχισαν να υλοποιούνται πολύ πιο ισχυρά και με περισσότερες εφαρμογές νευρωνικά δίκτυα, όπως τα πολυεπίπεδα perceptron και τα δίκτυα Hopfield. Ταυτόχρονα οι γενετικοί αλγόριθμοι και άλλες συναφείς μεθοδολογίες αναπτύσσονταν πλέον από κοινού, κάτω από την ομπρέλα του εξελικτικού υπολογισμού.

Κατά τη δεκαετία του '90,με την αυξανόμενη σημασία του Internet, ανάπτυξη γνώρισαν οι ευφυείς πράκτορες, αυτόνομο λογισμικό ΤΝ τοποθετημένο σε κάποιο περιβάλλον με το οποίο αλληλεπιδρά, οι οποίοι βρήκαν μεγάλο πεδίο εφαρμογών λόγω της εξάπλωσης του Διαδικτύου. Οι πράκτορες στοχεύουν συνήθως στην παροχή βοήθειας στους χρήστες τους, στη συλλογή ή ανάλυση γιγάντιων συνόλων δεδομένων ή στην αυτοματοποίηση επαναλαμβανόμενων εργασιών (π.χ. βλέπε διαδικτυακό ρομπότ), ενώ στους τρόπους κατασκευής και λειτουργίας τους συνοψίζουν όλες τις γνωστές μεθοδολογίες ΤΝ που αναπτύχθηκαν με το πέρασμα του χρόνου. Έτσι σήμερα, όχι σπάνια, η ΤΝ ορίζεται ως η επιστήμη που μελετά τη σχεδίαση και υλοποίηση ευφυών πρακτόρων.

Επίσης τη δεκαετία του '90 η ΤΝ, κυρίως η μηχανική μάθηση και η ανακάλυψη γνώσης, άρχισε να επηρεάζεται πολύ από τη θεωρία πιθανοτήτων και τη στατιστική. Ταμπεϋζιανά δίκτυα είναι η εστίαση αυτής της νέας μετακίνησης που παρέχει τις συνδέσεις με τα πιο σχολαστικά θέματα της στατιστικής και της επιστήμης μηχανικών, όπως τα πρότυπα Markov και τα φίλτρα Kalman. Αυτή η νέα πιθανοκρατική προσέγγιση έχει αυστηρά υποσυμβολικό χαρακτήρα, όπως και οι τρεις μεθοδολογίες οι οποίες κατηγοριοποιούνται κάτω από την ετικέτα της υπολογιστικής νοημοσύνης: τα νευρωνικά δίκτυα, ο εξελικτικός υπολογισμός και η ασαφής λογική.

 

Ακολουθούν οι πιο σπουδαίες στιγμές στην ιστορία της ΤΝ:

1.3 Σημαντικοί Σταθμοί

1950  Ο Άλαν Τούρινγκ περιγράφει τη δοκιμή Τούρινγκ, που επιδιώκει να εξετάσει την ικανότητα μιας μηχανής να συμμετάσχει απρόσκοπτα σε μια ανθρώπινη συνομιλία.

1951  Τα πρώτα προγράμματα ΤΝ γράφονται για τον υπολογιστή Ferranti Mark I στο Πανεπιστήμιο του Μάντσεστερ: ένα πρόγραμμα που παίζει ντάμα από τον Κρίστοφερ Στράκλι και ένα που παίζει σκάκι από τον Ντίτριχ Πρίνζ.

1956  Ο Τζον Μακάρθι πλάθει τον όρο «Τεχνητή Νοημοσύνη» ως κύριο θέμα της διάσκεψης του Ντάρτμουθ.

1958  Ο Τζον Μακάρθι εφευρίσκει τη γλώσσα προγραμματισμού Lisp.

1965  Ο Έντουαρτ Φάιγκενμπαουμ ξεκινά το Dendral, μια δεκαετή προσπάθεια ανάπτυξης λογισμικού που θα συμπεράνει τη μοριακή δομή οργανικών ενώσεων χρησιμοποιώντας ενδείξεις επιστημονικών οργάνων. Ήταν το πρώτο έμπειρο σύστημα (expert system).

1966  Ιδρύεται το Εργαστήριο μηχανικής Νοημοσύνης στο Εδιμβούργο ? το πρώτο από μια σημαντική σειρά εγκαταστάσεων που οργανώνονται από τον Ντόναλντμίτσι και άλλους.

1970  Αναπτύσσεται το Planner και χρησιμοποιείται στο SHRDLU, μια εντυπωσιακή επίδειξη αλληλεπίδρασης μεταξύ ανθρώπου και υπολογιστή.

1971  Ξεκινά η εργασία πάνω στο σύστημα αυτόματης απόδειξης θεωρημάτων Boyer-Moore στο Εδιμβούργο.

1972  Η γλώσσα προγραμματισμού Prolog αναπτύσσεται από τον Αλάν Κολμεροέρ.

1973  Ρομπότ συναρμολόγησης «Φρέντι» στο Εδιμβούργο: ένα ευπροσάρμοστο σύστημα συναρμολόγησης που ελέγχεται από υπολογιστές.

1974  Ο Τέντ Σόρτλιφ γράφει τη διατριβή του για το πρόγραμμα MYCIN (Στάνφορντ), το οποίο κατέδειξε μια πολύ πρακτική προσέγγιση στην ιατρική διάγνωση που βασίζεται σε κανόνες, ενώ λειτουργεί ακόμα και με παρουσία αβεβαιότητας. Αν και δανείστηκε από το DENDRAL, οι δικές του συνεισφορές επηρέασαν έντονα το μέλλον των έμπειρων συστημάτων, ένα μέλλον με πολλαπλές εμπορικές εφαρμογές.

1991  Η εφαρμογή σχεδίασης ενεργειών DART χρησιμοποιείται αποτελεσματικά στον Α' Πόλεμο του Κόλπου και ανταμείβει 30 χρόνια έρευνας στην ΤΝ του Αμερικανικού Στρατού.

1994  Ντίκμαννς και Ντάιμλερ-Μπενζ οδηγούν περισσότερο από 1000 km σε μια εθνική οδό του Παρισιού υπό συνθήκες βαρείας κυκλοφορίας και σε ταχύτητες ως και 130 km/ώρα. Επιδεικνύουν αυτόνομη οδήγηση σε ελεύθερες παρόδους, οδήγηση σε συνοδεία, αλλαγή παρόδων και αυτόματη προσπέραση άλλων οχημάτων.

1997  Ο υπολογιστής Deep Blue της IBM κερδίζει τoν παγκόσμιο πρωταθλητή σκακιού Γκάρι Κασπάροφ.

1998  Κυκλοφορεί ο Φέρμπι της Tiger Electronics και γίνεται η πρώτη επιτυχημένη εμφάνιση ΤΝ σε οικιακό περιβάλλον.

1999  Η Sony λανσάρει το AIBO, που είναι ένα από τα πρώτα αυτόνομα κατοικίδια ΤΝ.

2004  Η DARPA ξεκινά το πρόγραμμα DARPA Grand Challenge («Μεγάλη Πρόκληση DARPA»), που προκαλεί τους συμμετέχοντες να δημιουργήσουν αυτόνομα οχήματα για ένα χρηματικό βραβείο.


Κεφάλαιο 2 Εφαρμογές Τεχνητής Νοημοσύνης

Τα τελευταία χρόνια η απαιτήσεις των εφαρμογών γίνονται όλο και πιο σύνθετες και δύσκολα θα βρούμε μεμονωμένες κατηγόριες μεθόδων ή ερευνητικών αντικειμένων της ΤΝ επειδή αποκτούν την συνεργασία πολλών μεθόδων και αντικειμένων. Μερικές από τις Εφαρμογές της ΤΝ είναι:

1)     Έμπειρα συστήματα

2)     Ρομποτική

3)     Επίλυση προβλημάτων

4)     Σχεδιασμός νευρωνικών δικτύων

5)     Ευφυή συστήματα πρακτόρων

6)     Τεχνητή όραση

2.1 Έμπειρα συστήματα

Στην τεχνητή νοημοσύνη, ένα έμπειρο σύστημα είναι ένα υπολογιστικό σύστημα το οποίο μιμείται την ικανότητα ενός εμπειρογνώμονα στη λήψη αποφάσεων. Τα έμπειρα συστήματα σχεδιάστηκαν για να λύνουν πολύπλοκα προβλήματα συλλογιζόμενα με βάση την γνώση, όπως κάνει ένας εμπειρογνώμονας, και όχι ακολουθώντας τη διαδικασία επίλυσης ενός προγραμματιστή (developer), όπως στην περίπτωση του συμβατικού προγραμματισμού. Τα πρώτα έμπειρα συστήματα δημιουργήθηκαν τη δεκαετία του 1970 και έπειτα αναπτύχθηκαν ραγδαία τη δεκαετία του 1980. Τα έμπειρα συστήματα ήταν ανάμεσα στις πρώτες πραγματικά επιτυχημένες μορφές του λογισμικού της τεχνητής νοημοσύνης.

Ένα έμπειρο σύστημα έχει μοναδική δομή, διαφορετική από τα παραδοσιακά προγράμματα. Διαιρείται σε δύο μέρη, το ένα σταθερό, ανεξάρτητο από το έμπειρο σύστημα: η μηχανή εξαγωγής συμπερασμάτων, και το άλλο μεταβλητό: η βάση γνώσης. Για να τρέξει ένα έμπειρο σύστημα, η μηχανή σκέφτεται λογικά στηριζόμενη στη βάση γνώσης όπως ο άνθρωπος. Τη δεκαετία του 1980 εμφανίστηκε ένα τρίτο μέρος: ένα περιβάλλον διαλόγου (interface) για να συνδιαλέγεται με τους χρήστες. Αυτή η ικανότητα να έρχεται σε επαφή με τους χρήστες ονομάστηκε αργότερα επικοινωνιακή.

2.2 Ρομπότ

Σύμφωνα με το Robot Institute of America, ως ρομπότ μπορούμε να ορίσουμε ένα μηχανισμό σχεδιασμένο ώστε, μέσω προγραμματιζόμενων κινήσεων, να μεταφέρει υλικά, τεμάχια, εργαλεία ή ειδικευμένες συσκευές με σκοπό την επιτέλεση ποικιλίας εργασιών.

2.3 Ρομποτική

Ρομποτική είναι ένας κλάδος της μηχανικής που περιλαμβάνει τη σύλληψη, το σχεδιασμό, την κατασκευή και τη λειτουργία του ρομπότ. Αυτό το πεδίο συμπίπτει με την ηλεκτρονική επιστήμη των υπολογιστών, της τεχνητής νοημοσύνης, μηχατρονικής, νανοτεχνολογίας και της βιοτεχνολογίας.

2.4 Νομοί του Ασίμωφ

1.Ρομπότ δεν πρέπει ποτέ να βλάψουν τα ανθρώπινα όντα.
2. Ρομπότ πρέπει να ακολουθήσετε τις οδηγίες από ανθρώπους χωρίς να παραβιάζουν τον κανόνα.
3. Ρομπότ πρέπει να προστατεύσουν τον εαυτό τους χωρίς να παραβιάζονται οι άλλοι κανόνες.

2.5 Επίλυση Προβλημάτων

Ένα πρόβλημα είναι ένα σύνολο αντικειμένων, ιδιοτήτων και σχέσεων το οποίο ορίζεται από μία αρχική κατάσταση, μία επιθυμητή τελική κατάσταση και τις επιτρεπτές ενέργειες στα αντικείμενα του προβλήματος. Στόχος είναι, ξεκινώντας από την αρχική κατάσταση, να γίνει μία κατάλληλη ακολουθία ενεργειών η οποία να καταλήγει στην τελική κατάσταση. Αυτή η διαδικασία ονομάζεται επίλυση του προβλήματος (π.χ. η διεξαγωγή μίας παρτίδας σκάκι) και αποτέλεσε στόχο της ΤΝ από τη δεκαετία του '50. Η επίλυση προβλημάτων έχει προφανώς σπουδαίες εφαρμογές στην απόδειξη θεωρημάτων, στο χρονοπρογραμματισμό ενεργειών, στη διεξαγωγή παιγνίων κλπ, ενώ θεωρείται κεντρικό χαρακτηριστικό της ευφυΐας. Βασικό στοιχείο στην επίλυση προβλημάτων είναι η αναπαράσταση τους και γι' αυτό το σκοπό υπάρχουν δύο μεθοδολογίες: η αναπαράσταση με χώρο καταστάσεων και η αναπαράσταση με αναγωγή. Στη μέθοδο της αναγωγής δομική μονάδα περιγραφής του προβλήματος είναι η ίδια η περιγραφή αναλυόμενη σε πολλαπλές, απλούστερες εκδοχές. Αυτή η ανάλυση συμβαίνει διαδοχικά ώσπου να καταλήξει σε αρχέγονα προβλήματα επιλυόμενα με προφανή τρόπο. Προγραμματιστικά η αναγωγή υλοποιείται με αναδρομή και κεντρική έννοια σε αυτήν αποτελούν οι τελεστές αναγωγής, διαδικασίες οι οποίες ανάγουν ένα πρόβλημα σε υποπροβλήματα.

Στη μέθοδο χώρου καταστάσεων βασική δομική μονάδα είναι η κατάσταση, το σύνολο δηλαδή των αντικειμένων που εμπλέκονται στο πρόβλημα συν τις ιδιότητες τους και τις μεταξύ τους σχέσεις. Η κατάσταση ορίζεται σε ένα απλουστευμένο, αφαιρετικό μοντέλο του κόσμου και το σύνολο των καταστάσεων (στιγμιότυπων) στις οποίες μπορεί να βρεθεί αυτός ο κόσμος του προβλήματος ονομάζεται χώρος καταστάσεων. Το ίδιο το πρόβλημα ορίζεται με βάση την αρχική κατάσταση από την οποία ξεκινάμε, την επιθυμητή τελική κατάσταση στην οποία πρέπει να καταλήξουμε (ή πολλές δυνατές τελικές) και το σύνολο των τελεστών μετάβασης, επιτρεπτών πράξεων δηλαδή που μπορούν να εκτελεστούν στα αντικείμενα μίας κατάστασης οδηγώντας σε μια άλλη (π.χ. στην αναπαράσταση μίας παρτίδας σκάκι τελεστής είναι η έγκυρη μετακίνηση ενός πιονιού). Λύση του προβλήματος είναι μία ακολουθία διαδοχικών τελεστών μετάβασης και καταστάσεων που ξεκινά από μία αρχική κατάσταση και καταλήγει σε μία τελική.

Ο πιο κατάλληλος τρόπος γραφικής αναπαράστασης του προβλήματος είναι ένας δενδρικός γράφος με ρίζα την αρχική κατάσταση, φύλλα τις τελικές καταστάσεις και τα αδιέξοδα, κόμβους τις ενδιάμεσες καταστάσεις και κλαδιά τους τελεστές μετάβασης. Επέκταση ενός κόμβου ονομάζεται η εύρεση όλων των παιδιών του στο δένδρο μέσω της εφαρμογής σε αυτόν όλων των πιθανών τελεστών. Οι λύσεις του προβλήματος είναι μονοπάτια από τη ρίζα σε κάποιο φύλλο του δένδρου που αντιστοιχεί σε τελική κατάσταση. Σε πραγματικά προβλήματα το μέγεθος αυτού του δένδρου γίνεται εξαιρετικά μεγάλο μετά την επέκταση λίγων μόλις κόμβων και επομένως η αναζήτηση λύσεων σε ένα τέτοιο δένδρο καθίσταται εξαιρετικά χρονοβόρα. Αυτό το ζήτημα στη βιβλιογραφία της ΤΝ αναφέρεται ως συνδυαστική έκρηξη.

2.5.1 Βελτιστοποίηση

Ο χώρος της βελτιστοποίησης στα εφαρμοσμένα μαθηματικά αναφέρεται στην αναζήτηση βέλτιστων παραμέτρων ενός - συνήθως περίπλοκου - συστήματος. Προβλήματα βελτιστοποίησης απαντώνται σε πολλά επιστημονικά πεδία όπως π.χ. στη φυσική, στη χημεία, στην οικονομία κ.α..

Στα μαθηματικά διατυπώνεται ένα πρόβλημα βελτιστοποίησης σαν πρόβλημα ελαχιστοποίησης ή μεγιστοποίησης μιας συνάρτησης μίας μεταβλητής ή πολλών μεταβλητών. Ενώ στην ελαχιστοποίηση (ή μεγιστοποίηση) συναρτήσεων μίας μεταβλητής μπορούν να χρησιμοποιηθούν αναλυτικές και αλγεβρικές μέθοδοι για τον ακριβή ορισμό ελάχιστων (ή μέγιστων), στη μελέτη συναρτήσεων πολλών μεταβλητών χρησιμοποιούνται κυρίως αριθμητικές μέθοδοι για έναν προσεγγιστικό ορισμό ελάχιστων (ή μέγιστων) σημείων.

2.6 Νευρωνικά Δίκτυα


Τα τεχνητά νευρωνικά δίκτυα (artificial neural networks) αρχικά προτάθηκαν ως ένα μαθηματικό μοντέλο προσομοίωσης της πολύπλοκης λειτουργίας του ανθρώπινου εγκεφάλου. Η δομή του εγκεφάλου είναι τέτοια ώστε να επιτρέπει την παράλληλη επεξεργασία δεδομένων και τη δυνατότητα συνεχούς μάθησης μέσω της αλληλεπίδρασης με το περιβάλλον.

Τα δύο αυτά βασικά χαρακτηριστικά συμβάλλουν στην ικανότητα, αφενός, να εκτελεί δύσκολα καθήκοντα, όπως ταχύτατη αναγνώριση μορφών, ταξινόμηση κ.ά., αφετέρου, να εξελίσσεται συνεχώς, μαθαίνοντας από το περιβάλλον του κατά την αλληλεπίδρασή του με αυτό.

Η δομή του τεχνητού νευρωνικού δικτύου μιμείται κατά το δυνατό εκείνη του βιολογικού νευρωνικού δικτύου, ώστε να εμφανίζει παρόμοιες ιδιότητες. Κατ? αναλογία επομένως με ένα δίκτυο νευρώνων εγκεφάλου, ένα τεχνητό δίκτυο αποτελείται από ένα σύνολο τεχνητών νευρώνων που αλληλεπιδρούν, συνδεόμενοι μεταξύ τους με τις λεγόμενες συνάψεις. Ο βαθμός αλληλεπίδρασης είναι διαφορετικός για κάθε ζεύγος νευρώνων και καθορίζεται από τα λεγόμενα συναπτικά βάρη (synaptic weights). Συγκεκριμένα, καθώς το νευρωνικό δίκτυο αλληλεπιδρά με το περιβάλλον και μαθαίνει από αυτό, τα συναπτικά βάρη μεταβάλλονται συνεχώς, ενδυναμώνοντας ή αποδυναμώνοντας την ισχύ του κάθε δεσμού. Όλη η εμπειρική γνώση που αποκτά επομένως το νευρωνικό δίκτυο από το περιβάλλον κωδικοποιείται στα συναπτικά βάρη. Αυτά αποτελούν το χαρακτηριστικό εκείνο που δίνει στο δίκτυο την ικανότητα για εξέλιξη και προσαρμογή στο περιβάλλον.

Το βασικό πλεονέκτημα των νευρωνικών δικτύων είναι ότι μπορούν να αποθηκεύσουν γνώση και εμπειρία από το περιβάλλον, την οποία μπορεί στη συνέχεια να ανακαλέσει. Επιπλέον, έχει τη δυνατότητα να γενικεύει, δηλαδή να εξάγει τα βασικά χαρακτηριστικά ενός συστήματος, ακόμα και όταν αυτά είναι κρυμμένα σε θορυβώδη δεδομένα.

2.6.1 Δομή του νευρώνα

Σε αναλογία με το βιολογικό νευρώνα του εγκεφάλου, ο τεχνητός νευρώνας (artificial neuron) είναι η δομική μονάδα του τεχνητού νευρωνικού δικτύου. Σε αυτόν συντελείται όλη η επεξεργασία της πληροφορίας. Κάθε νευρώνας δέχεται πληροφορία, την επεξεργάζεται και δίνει μία τιμή εξόδου. Οι είσοδοί του είναι είτε οι έξοδοι άλλων νευρώνων, είτε το πρωταρχικό σήμα εισόδου του δικτύου. Υπάρχουν διάφορα είδη νευρώνα. Το είδος που θα επιλεχθεί για να δομηθεί ένα συγκεκριμένο τεχνητό νευρωνικό δίκτυο, εξαρτάται από τη φύση του εκάστοτε προβλήματος που εξετάζουμε. Σε πολλές περιπτώσεις χρησιμοποιείται συνδυασμός διαφορετικών ειδών νευρώνα. Στο Σχήμα 1, παρακάτω, παρουσιάζεται το βασικό μοντέλο του νευρώνα που χρησιμοποιείται κατά κόρον σε υλοποιήσεις τεχνητών νευρωνικών δικτύων.


 



2.6.2 Παραδείγματα νευρωνικών δικτύων

Ένα τεχνητό νευρωνικό δίκτυο καθορίζεται από τον τύπο ή τους τύπους των νευρώνων που το απαρτίζουν, από τον τρόπο με τον οποίο είναι συνδεδεμένοι οι νευρώνες του, από τον αλγόριθμο που χρησιμοποιείται για την εκπαίδευσή του, από το αν η εκπαίδευση γίνεται με εποπτεία ή χωρίς κ.ά.

Στην εργασία αυτή μελετήσαμε δίκτυα των οποίων οι νευρώνες είναι δομημένοι σε επίπεδα και που η εκπαίδευσή τους γίνεται με εποπτεία. Η πιο απλή μορφή ενός τέτοιου δικτύου είναι αυτή του απλού αισθητήρα (perceptron), ο οποίος ήταν το πρώτο τεχνητό νευρωνικό δίκτυο το οποίο εισηγήθηκε ο Rosenblatt το 1958.

2.6.3 Μέθοδοι εκπαίδευσης των τεχνητών νευρωνικών δικτύων

Υπάρχουν πολλές μέθοδοι με τις οποίες μπορούμε να εκπαιδεύσουμε ένα τεχνητό νευρωνικό δίκτυο. Η κάθε μία από αυτές έχει σαφή πλεονεκτήματα και μειονεκτήματα. Καμία από αυτές δεν είναι πανάκεια, αν και, αυτή που χρησιμοποιείται συνηθέστερα σε πολυεπίπεδους αισθητήρες είναι ο αλγόριθμος οπισθοδιάδοσης του σφάλματος, είτε αυτούσιος, είτε με κάποιες παραλλαγές ή προσθήκες. Γενικά, επιλέγουμε την κατάλληλη μέθοδο, ανάλογα με τη φύση του εκάστοτε προβλήματος και με τη δομή του συγκεκριμένου δικτύου, που διαλέξαμε για να το μελετήσουμε. Πολλές φορές χρησιμοποιούμε περισσότερες από μία μεθόδους μαζί για να πετύχουμε τη βέλτιστη επίδοση του δικτύου.

2.6.4 Εφαρμογές των τεχνητών νευρωνικών δικτύων

Ιατρική : Ανάλυση καρκινικών κυττάρων, ανάλυση ηλεκτροεγκεφαλογραφήματος και ηλεκτροκαρδιογραφήματος.

Γεωλογικές έρευνες : Εντοπισμός πετρελαίου και φυσικού αερίου.

Ρομποτική : Έλεγχος τροχιάς και σύστημα όρασης ρομπότ.

Επεξεργασία φωνής : Αναγνώριση φωνής, συμπίεση φωνής, σύνθεση φωνής από κείμενο.
Χρηματιστηριακές εφαρμογές : Ανάλυση αγοράς, πρόβλεψη τιμώνμετοχών .

Βιβλιογραφία

Albano, A.M., A. Passamante, T. Hediger and Mary Eileen Farell.

1992. ?Using neural nets to look for chaos.? Physica D 58: 1-9

Αργυράκης, Πάνος (2001). Τεχνητή Νοημοσύνη ? Εφαρμογές. Ελληνικό

Ανοιχτό Πανεπιστήμιο.

Bigus, Joseph P and Bigus, Jennifer (). Constructing Intelligent Agents

Using Java. Willey Computer Publishing



[1] Δοκιμή Turing:

Το 1949 έγινε αναπληρωτής διευθυντής του εργαστηρίου υπολογισμού στο πανεπιστήμιο του Μάντσεστερ, και εργαζόμενος στο λογισμικό για έναν από τους πρώτους αληθινούς υπολογιστές - τον Μάντσεστερ Mark Η. Κατά τη διάρκεια αυτής της περιόδου συνέχισε να κάνει περισσότερη αφηρημένη εργασία και στα μηχανήματα υπολογισμού και τη νοημοσύνη. Ο Τούρινγκ αντιμετώπισε το πρόβλημα της τεχνητής νοημοσύνης, και πρότεινε ένα πείραμα γνωστό σήμερα ως δοκιμή Τούρινγκ, μια προσπάθεια να καθοριστούν πρότυπα για μια μηχανή που καλείται νοήμων.

Τελευταία Ενημέρωση στις Τετάρτη, 13 Νοέμβριος 2013 14:31  

ΑΝΑΖΗΤΗΣΗ

ΜΕΓΑΛΕΣ ΑΝΑΚΑΛΥΨΕΙΣ

1954

Κατοχυρώνεται με δίπλωμα ευρεσιτεχνίας συσκευή ρομπότ.

Μαθητικο Συνεδριο Πληροφορικης

ΤVSpot Τεχνικού Μουσείου