Obsah: Logika Návrh logického agenta, výroková logika leš Horák E-mail: hales@fimunicz http://nlpfimunicz/uui/ Úvod do umělé inteligence 8/ / 3 Návrh logického agenta agent musí umět: reprezentovat stavy, akce, zpracovat nové vstupy z prostředí aktualizovat svůj vnitřní popis světa odvodit skryté informace o stavu světa odvodit vlastní odpovídající akce přístupy k tvorbě agenta deklarativní procedurální (kombinace) návrh agenta víc pohledů: znalostní hledisko tvorba agenta zadání znalostí pozadí, znalostí domény a cílového požadavku např automatické tai znalost mapy, dopravních pravidel, požadavek dopravit zákazníka na FI MU rno implementační hledisko jaké datové struktury K obsahuje + algoritmy, které s nimi manipulují Úvod do umělé inteligence 8/ 3 / 3 logický agent { = agent využívající znalosti (knowledge-based agent) reprezentace znalostí (knowledge representation) koncepty: vyvozování znalostí (knowledge reasoning) inference rozdíly od prohledávání stavového prostoru: znalost při prohledávání stavového prostoru jen zadané funkce (přechodová funkce, cílový test, ) znalosti logického agenta obecná forma umožňující kombinace těchto znalostí obecné znalosti důležité v částečně pozorovatelných prostředích (partially observable environments) fleibilita logického agenta: schopnost řešit i nové úkoly možnost učení nových znalostí úprava stávajících znalostí podle stavu prostředí Úvod do umělé inteligence 8/ / 3 Komponenty agenta, áze znalostí komponenty logického agenta: inferenční stroj (inference engine) báze znalostí (knowledge base) Komponenty agenta, áze znalostí algoritmy nezávislé na doméně znalosti o doméně báze znalostí (K) = množina vět (tvrzení) vyjádřených v jazyce reprezentace znalostí obsah báze znalostí: na začátku tzv znalosti pozadí (background knowledge) průběžně doplňované znalosti úkol tell(+k,+sentence) akce logického agenta: % kb agent action(+k,+time,+percept, ction, NewTime) kb agent action(k,time,percept,ction,newtime):- make percept sentence(percept,time,sentence), tell(k,sentence), % přidáme výsledky pozorování do K make action query(time,query), ask(k,query,ction), % zeptáme se na další postup make action sentence(ction,time,sentence), tell(k,sentence), % přidáme informace o akci do K NewTime is Time + Úvod do umělé inteligence 8/ 4 / 3
Popis světa PES zadání světa rozumného agenta: míra výkonnosti (Performance measure) plus body za dosažené (mezi)cíle, pokuty za nežádoucí následky prostředí (Environment) objekty ve světě, se kterými agent musí počítat, a jejich vlastnosti akční prvky (ctuators) možné součásti činnosti agenta, jeho akce se skládají z použití těchto prvků senzory (Sensors) zpětné vazby akcí agenta, podle jejich výstupů se tvoří další akce např zmiňované automatické tai: míra výkonnosti doprava na místo, vzdálenost, bezpečnost, bez přestupků, komfort, prostředí ulice, křižovatky, účastníci provozu, chodci, počasí, akční prvky řízení, plyn, brzda, houkačka, blinkry, komunikátory, senzory kamera, tachometr, počítač kilometrů, senzory motoru, GPS, Úvod do umělé inteligence 8/ 5 / 3 lastnosti problému Wumpusovy jeskyně PES zadání Wumpusovy jeskyně: P míra výkonnosti zlato +, smrt -, - za krok, - za užití šípu E prostředí Místnosti vedle Wumpuse zapáchají místnosti vedle jámy je vánek místnosti je zlato je v ní třpyt ýstřel zabije Wumpuse, pokud jsi obrácený k němu ýstřel vyčerpá jediný šíp, který máš Zvednutím vezmeš zlato ve stejné místnosti Položení odloží zlato v aktuální místnosti akční prvky Otočení vlevo, Otočení vpravo, Krok dopředu, Zvednutí, Položení, ýstřel S senzory, Třpyt, Zápach, Náraz do zdi, Chroptění Wumpuse Úvod do umělé inteligence 8/ 6 / 3 Průzkum Wumpusovy jeskyně 4 3 Zápach Zápach STRT Zápach Trpyt JÁM JÁM JÁM 3 4 pozorovatelné deterministické episodické statické diskrétní více agentů ne, jen lokální vnímání ano, přesně dané výsledky ne, sekvenční na úrovni akcí ano, Wumpus a jámy se nehýbou ano ne, Wumpus je spíše vlastnost prostředí 8 J X X Z X X TZ ZEDNI! W = gent = T = Třpyt = bezpečí J = Jáma Z = Zápach X = navštíveno W = Wumpus Úvod do umělé inteligence 8/ 7 / 3 Úvod do umělé inteligence 8/ 8 / 3
Logika Průzkum Wumpusovy jeskyně problémy Základní vlastnost logického vyvozování: Kdykoliv agent dospěje k závěru z daných informací tento závěr je zaručeně správný, pokud jsou správné dodané informace Obtížné situace: Z J J J J v (, ) i v (, ) žádná bezpečná akce Při předpokladu uniformní distribuce děr díra v (, ) má pravděpodobnost 86, na krajích 3 Zápach v (, ) nemůže se pohnout je možné použít donucovací strategii (strategy of coercion): ýstřel jedním ze směrů byl tam Wumpus je mrtvý (poznám podle Chroptění) bezpečné 3 nebyl tam Wumpus (žádné Chroptění) bezpečný směr Úvod do umělé inteligence 8/ 9 / 3 Logika Důsledek Logika Logika = syntae a sémantika formálního jazyka pro reprezentaci znalostí umožňující vyvozování závěrů Syntae definuje všechny dobře utvořené věty jazyka Sémantika definuje význam vět definuje pravdivost vět v jazyce (v závislosti na možném světě) např jazyk aritmetiky: + y je dobře utvořená věta; + y > není věta + y je pravda číslo + není menší než číslo y + y je pravda ve světě, kde = 7, y = + y je nepravda ve světě, kde =, y = 6 zápis na papíře v libovolné syntai v K se jedná o konfiguraci (částí) agenta vlastní vyvozování generování a manipulace s těmito konfiguracemi Úvod do umělé inteligence 8/ / 3 Logika Model Důsledek Model Důsledek (vyplývání, entailment) jedna věc logicky vyplývá z druhé (je jejím důsledkem): K = α Z báze znalostí K vyplývá věta α α je pravdivá ve všech světech, kde je K pravdivá např: K obsahuje věty Češi vyhráli Slováci vyhráli z K pak vyplývá Češi vyhráli nebo Slováci vyhráli z + y = 4 vyplývá 4 = + y Důsledek je vztah mezi větami (syntae), který je založený na sémantice možný svět = model formálně strukturovaný (abstraktní) svět, umožňuje vyhodnocení pravdivosti říkáme: m je model věty α α je pravdivá v m M(α) množina všech modelů věty α např: K = α = K = α M(K) M(α) Češi vyhráli Slováci vyhráli Češi vyhráli M(α) M(K) Úvod do umělé inteligence 8/ / 3 Úvod do umělé inteligence 8/ / 3
Logika Inference Inference yvozování požadovaných důsledků inference K i α věta α může být vyvozena z K pomocí (procedury) i (i odvodí α z K) všechny možné důsledky K jsou kupka sena ; α je jehla vyplývání = jehla v kupce sena; inference = její nalezení ezespornost: i je bezesporná K i α K = α Úplnost: i je úplná K = α K i α ztah k reálnému světu: Pokud je K pravdivá v reálném světě věta α vyvozená z K pomocí bezesporné inference je také pravdivá ve skutečném světě nejjednodušší logika, ilustruje základní myšlenky výrokové symboly P, P, jsou věty negace S je věta S je věta konjunkce S a S jsou věty S S je věta disjunkce S a S jsou věty S S je věta implikace S a S jsou věty S S je věta ekvivalence S a S jsou věty S S je věta Jestliže máme sémantiku pravdivou v reálném světě můžeme vyvozovat závěry o skutečném světě pomocí logiky Úvod do umělé inteligence 8/ 3 / 3 Sémantika výrokové logiky Sémantika výrokové logiky každý model musí určit pravdivostní hodnoty výrokových symbolů např: m = {P = false, P = false, P 3 = true} pravidla pro vyhodnocení pravdivosti u složených výroků pro model m: S je true S je false S S je true S je true a S je true S S je true S je true nebo S je true S S je true S je false nebo S je true tj je false S je true a S je false S S je true S S je true a S S je true rekurzivním procesem vyhodnotíme lib větu: P (P P 3 ) = true (false true) = true true = true pravdivostní tabulka: P Q P P Q P Q P Q P Q false false true false false true true false true true false true true false true false false false true false false true true false true true true true Úvod do umělé inteligence 8/ 5 / 3 Logická ekvivalence Úvod do umělé inteligence 8/ 4 / 3 Logická ekvivalence Dva výroky jsou logicky ekvivalentní právě tehdy, když jsou pravdivé ve stejných modelech: α β α = β a β = α (α β) (β α) komutativita (α β) (β α) komutativita ((α β) γ) (α (β γ)) asociativita ((α β) γ) (α (β γ)) asociativita ( α) α eliminace dvojí negace (α β) ( β α) kontrapozice (α β) ( α β) eliminace implikace (α β) ((α β) (β α)) eliminace ekvivalence (α β) ( α β) de Morgan (α β) ( α β) de Morgan (α (β γ)) ((α β) (α γ)) distributivita nad (α (β γ)) ((α β) (α γ)) distributivita nad Úvod do umělé inteligence 8/ 6 / 3
Platnost a splnitelnost Tvrzení pro Wumpusově jeskyni Platnost a splnitelnost ýrok je platný je pravdivý ve všech modelech např: true,,, ( ( )) Platnost je spojena s vyplýváním pomocí věty o dedukci: K = α (K α) je platný výrok ýrok je splnitelný je pravdivý v některých modelech např:, C ýrok je nesplnitelný je nepravdivý ve všech modelech např: Splnitelnost je spojena s vyplýváním pomocí důkazu α sporem (reductio ad absurdum): K = α (K α) je nesplnitelný Úvod do umělé inteligence 8/ 7 / 3 Tvrzení pro Wumpusově jeskyni Definujeme výrokové symboly J i,j je pravda Na [i, j] je Jáma a i,j je pravda Na [i, j] je báze znalostí K: pravidlo pro [, ]: R : J, pozorování: R :,, R 3 :, pravidla pro vztah Jámy a ánku: Jámy způsobují ve vedlejších místnostech R 4:, (J, J, ) R 5:, (J, J, J 3, ) poli je právě tehdy, když je ve vedlejším poli Jáma K = R R R 3 R 4 R 5 R 4 :, (J, J, ) R 5 :, (J, J, J 3, ) Úvod do umělé inteligence 8/ 8 / 3 Inference ve Wumpusově jeskyni kontrola modelů (model checking) procházení pravdivostní tabulky (vždycky eponenciální v n) vylepšené prohledávání s navracením (improved backtracking), např Davis Putnam Logemann Loveland heuristické prohledávání prostoru modelů (bezesporné, ale neúplné) aplikace inferenčních pravidel legitimní (bezesporné) generování nových výroků ze starých důkaz = sekvence aplikací inferenčních pravidel je možné použít inferenční pravidla jako operátory ve standardních prohledávacích algoritmech typicky vyžaduje překlad vět do normální formy situace: v [, ] nedetekováno nic krok doprava, v [, ] uvažujeme možné modely pro (budou nás zajímat jen Jámy) 3 pole s ooleovskými možnostmi {T, F } 3 = 8 možných modelů Úvod do umělé inteligence 8/ 9 / 3 Úvod do umělé inteligence 8/ / 3
Modely ve Wumpusově jeskyni uvažujeme všech 8 možných modelů: Pravdivostní tabulka pro inferenci K 3 3 3 3 3 3 K = pravidla Wumpusovy jeskyně + pozorování α = [, ] je bezpečné pole K = α α = [, ] je bezpečné pole K = α 3 3 kontrola modelů jednoduchý způsob logické inference,, J, J, J, J, J 3, K α false false false false false false false false true false false false false false false true false true false true false false false false false false true false true false false false false true true true false true false false false true false true true false true false false false true true true true false true false false true false false false true true true true true true true true false false K = pravidla Wumpusovy jeskyně + pozorování α = [, ] je bezpečné pole Úvod do umělé inteligence 8/ / 3 Kontrola všech modelů do hloubky je bezesporná a úplná (pro konečný počet výrokových symbolů) % tt entails(+k,+lpha) tt entails(k,lpha):- proposition symbols(symbols,[k,lpha]), tt check all(k,lpha,symbols,[]) vrací true, pokud je lpha pravdivá v Modelu % tt check all(+k,+lpha,+symbols,+model) tt check all(k,lpha,[],model):- pl true(k,model),!,pl true(lpha,model) tt check all(k,lpha,[],model):-! tt check all(k,lpha,[p Symbols],Model):- % vytvoříme modely pro hodnoty symbolů tt check all(k,lpha,symbols,[p true Model]), tt check all(k,lpha,symbols,[p false Model]) O( n ) pro n symbolů, NP-úplný problém Úvod do umělé inteligence 8/ / 3 K = konjunkce Hornových klauzuĺı { výrokový symbol; nebo Hornova klauzule = (konjunkce symbolů) symbol např: K = C ( ) (C D ) pravidlo Modus Ponens pro K z Hornových klauzuĺı je úplné α,, α n, α α n β β pravidla pro logickou ekvivalenci se taky dají použít pro inferenci inference Hornových klauzuĺı algoritmus dopředného nebo zpětného řetězení oba tyto algoritmy jsou přirozené a mají lineární časovou složitost Úvod do umělé inteligence 8/ 3 / 3 Úvod do umělé inteligence 8/ 4 / 3
Dopředné řetězení Dopředné řetězení příklad Idea: aplikuj pravidlo, jehož premisy jsou splněné v K přidej jeho důsledek do K pokračuj do doby, než je nalezena odpověd K: P Q L M P L M P L L ND-OR graf K: L Q P M P Q L M P L M P L L Q P L M Úvod do umělé inteligence 8/ 5 / 3 lgoritmus dopředného řetězení Zpětné řetězení Úvod do umělé inteligence 8/ 6 / 3 :- op( 8, f, if), op( 7, f, then), op( 3, fy, or), op(, fy, and) forward :- new derived fact( P),!, % Nový fakt write( Derived: ), write( P), nl, assert( fact( P)), forward % Pokračuje generování faktů ; write( No more facts ), nl % šechny fakty odvozeny new derived fact( Concl) :- if Cond then Concl, % Pravidlo \+ fact( Concl), % Concl ještě není fakt composed fact( Cond) % Cond je true Idea: pracuje zpětně od dotazu q zkontroluj, jestli není q už známo dokaž zpětným řetězením všechny premisy nějakého pravidla, které má q jako důsledek kontrola cyklů pro každý podcíl se nejprve podívej, jestli už nebyl řešen (tj pamatuje si true i false výsledek) composed fact( Cond) :- fact( Cond) % Jednoduchý fakt composed fact( Cond and Cond) :- composed fact( Cond), composed fact( Cond) composed fact( Cond or Cond) :- composed fact( Cond); composed fact( Cond) Úvod do umělé inteligence 8/ 7 / 3 Úvod do umělé inteligence 8/ 8 / 3
Zpětné řetězení příklad Porovnání dopředného a zpětného řetězení P Q L M P L M P L L L Q P M dopředné řetězení je řízeno daty automatické, nevědomé zpracování např rozpoznávání objektů, rutinní rozhodování může udělat hodně nadbytečné práce bez vztahu k dotazu/cíli zpětné řetězení je řízeno dotazem vhodné pro hledání odpovědí na konkrétní dotaz např Kde jsou moje kĺıče Jak se mám přihlásit na PGS složitost zpětného řetězení může být mnohem menší než lineární vzhledem k velikosti K obecný inferenční algoritmus rezoluce zpracovává formule v konjunktivní normální formě (konjunkce disjunkcí literálů) rezoluce je bezesporná a úplná pro výrokovou logiku i predikátovou logiku řádu Úvod do umělé inteligence 8/ 9 / 3 Úvod do umělé inteligence 8/ 3 / 3