H. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976

Podobné dokumenty
MATEMATICKÁ TEORIE ROZHODOVÁNÍ

Umělá inteligence a rozpoznávání

Přírodou inspirované metody umělé inteligence

Znalostní technologie proč a jak?

Inteligentní systémy a neuronové sítě

Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

Pokročilé operace s obrazem

Expertní Systémy. Umělá inteligence Alan Turing: Computing Machinery and Intelligence. Mind 59, 1950, s

MATEMATICKÁ TEORIE ROZHODOVÁNÍ

10. Techniky formální verifikace a validace

Metody odvozování. matematická východiska: logika, Prolog

Typy filozofických otázek vztahující se k umělé inteligenci

Třída PTIME a třída NPTIME. NP-úplnost.

Expertní systémy. 1. Úvod k expertním systémům. Cíl kapitoly:

Principy počítačů I Netradiční stroje

Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013

Gödelovy věty o neúplnosti

MATEMATICKÁ TEORIE ROZHODOVÁNÍ

Zpracování neurčitosti

Predikátová logika: Axiomatizace, sémantické stromy, identita. (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/ / 13

ZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ /14

10 Metody a metodologie strukturované analýzy

Václav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV

Usuzování za neurčitosti

Spojení OntoUML a GLIKREM ve znalostním rozhodování

Třída PTIME a třída NPTIME. NP-úplnost.

Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky


(viztakéslidyktétopřednášce...) Poznámka. Neudělali jsme vše tak podrobně, jak je to v zápisu.

Vybrané přístupy řešení neurčitosti

Třídy složitosti P a NP, NP-úplnost


Petr Křemen. Katedra kybernetiky, FEL ČVUT. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112

Výroková a predikátová logika - XIII

PROGRAMOVACÍ JAZYKY A PŘEKLADAČE LL SYNTAKTICKÁ ANALÝZA DOKONČENÍ, IMPLEMENTACE.

Automatizační a měřicí technika (B-AMT)

Základy umělé inteligence

Fuzzy logika. Informační a znalostní systémy

Reprezentace znalostí. Katedra kybernetiky, ČVUT v Praze.

Ústav automatizace a měřicí techniky.

Algoritmy a struktury neuropočítačů ASN - P1

Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace. Maturitní otázky z předmětu PEDAGOGIKA A PSYCHOLOGIE

IUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence. Jméno: Třída: Rok:

AD4M33AU Automatické uvažování

OSA. maximalizace minimalizace 1/22

Deskripční logika. Petr Křemen FEL ČVUT. Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157

1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017

5. Umělé neuronové sítě. Neuronové sítě

Algoritmus. Přesné znění definice algoritmu zní: Algoritmus je procedura proveditelná Turingovým strojem.

2. RBF neuronové sítě

pseudopravděpodobnostní Prospector, Fel-Expert

Teoretická informatika průběh výuky v semestru 1

Výroková a predikátová logika - XII

Informace pro výběr bakalářského oboru

Složitost her. Herní algoritmy. Otakar Trunda

Historie a vývoj umělé inteligence

Popis zobrazení pomocí fuzzy logiky

Výbor textů k moderní logice

Robotika. Reaktivní agenty (nová AI) Deliberativní agenty (klasická AI)

Úvod do expertních systémů

Postův korespondenční problém. Meze rozhodnutelnosti 2 p.1/13

Informace jako paměť a vědomí II

Digitální zpracování obrazu počítačové vidění zakotvení

Martina Husáková. Celulární automaty. Znalostní technologie III materiál pro podporu studia

Kon K e on kc k ion i i on s i m s u m s u PSY 481

Obecná psychologie: základní pojmy

UITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14

postaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy

Kaskádový výklad trojcestného modelu, teorie larpové situace a kognitivní optimum Soví příslib

Úvod Teorie Studium CA Aplikace Souvislosti. Radek Pelánek

Reprezentace znalostí - úvod

ití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT

Logika. 6. Axiomatický systém výrokové logiky

1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY

Neuronové sítě Ladislav Horký Karel Břinda

POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ

Rozhodnutelné a nerozhodnutelné problémy. M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 24. dubna / 49

Počátky umělé inteligence

Dynamické kritické jevy

Kurz psychologie a sociologie na FSV

InformatikaaVT(1) Cílem předmětu je: Žáci:

Úvod do logiky. (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/ / 23

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat

brmiversity: Um lá inteligence a teoretická informatika

Turingovy stroje. Teoretická informatika Tomáš Foltýnek

Moderní systémy pro získávání znalostí z informací a dat

Vývojové trendy 1. Dnešní téma. Vývojové trendy 2. Vývojové trendy ve zpracování informací a znalostí

Vytěžování znalostí z dat

AIBO CleanMate 365 ACECAD Enterprises DigiMemo

CleanMate 365. ACECAD Enterprises DigiMemo A502. individua vědomě orientovat vlastní. globální schopnost individua účelně

Neinformované metody prohledávání stavového prostoru Michal Pěchouček, Milan Rollo. Department of Cybernetics Czech Technical University in Prague

Z. Sawa (VŠB-TUO) Teoretická informatika 11. prosince / 63

Výpočetně-reprezentační chápání mysli v kognitivní vědě

Algoritmizace a programování. Ak. rok 2012/2013 vbp 1. ze 44

Pojem algoritmus. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava

Aproximativní algoritmy UIN009 Efektivní algoritmy 1

2. Mechatronický výrobek 17

Úvod do logiky a logického programování.

5.6.3 Rekursivní indexace složitostních tříd Uniformní diagonalizace Konstrukce rekursivních indexací a aplikace uniformní diagonalizace

Definice 7.2. Nejmenší přirozené číslo k, pro které je graf G k-obarvitelný, se nazývá chromatické číslo (barevnost) grafu G a značí se χ(g).

Transkript:

Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty činnosti, které lze přesně popsat v přirozeném resp. umělém jazyce (algoritmu). Gödelova věta o úplnosti: Formule je logicky platná v teorii T právě když je dokazatelná v teorii T. Věta o rozhodnutelnosti: Pro každou formuli v teorii T lze algoritmicky rozhodnout, zda formule je nebo není dokazatelná. Výrokový počet je úplný a rozhodnutelný. Predikátový počet je úplný ale nerozhodnutelný. P. Berka, 2007 1/17 P. Berka, 2007 2/17 Kritika umělé inteligence H. Dreyfuss: What computers can t do, 1972 What computers still can t do, 1992 kritika z pohledu odpůrce AI: formuluje předpoklady pro to, aby počítače modelovaly lidskou inteligenci a uvádí jejich nereálnost: biologický na určité úrovni je lidská mysl digitální psychologický myšlení jsou výpočty epistemologický veškerou znalost je možno formalizovat ontologický svět je tvořen pouze bezkontextovými fakty J. Weizenbaum (autor programu ELIZA, laureát ceny nadace Vize 97 za rok 2002): Computer power and human reason, 1976 kritika z pohledu zastánce AI: "Klíčová otázka nezněla, co mohou počítače dělat, ty mohou dělat lecos, mohou simulovat. Ale otázka zní, zda jim to máme svěřovat. Počítače mohou mít inteligenci, ale nemůžeme jim svěřovat věci lidské, protože nemají tělo. Protože nemají tělo, nemají bolest, ani radost. Nemohou mít nikdy to, co dělá člověka člověkem, totiž víru, lásku a naději. A neměli bychom jim tudíž svěřovat věci pro lidstvo důležité a vážné." Dreyfus argumentuje ve prospěch důležitosti těla a celkové situace (kontextu) pro inteligentní chování P. Berka, 2007 3/17 P. Berka, 2007 4/17

1. Alternativa konekcionismus AI jako produkt (hardwarového) propojení a interakcí množství jednoduchých elementů Konekcionismus neuronové sítě Neuronové sítě vs. expertní systémy Oddělení báze znalostí a inferenčního mechanismu NE Práce s neurčitostí ANO Vysvětlování NE Modularita a transparentnost báze NE Neuronové sítě vs. klasický počítač Není oddělena paměť a procesor Uložená informace není lokalizovatelná Možnost fungovat i při částečném poškození vícevrstvý perceptron P. Berka, 2007 5/17 P. Berka, 2007 6/17 Sci-fi extrapolace: 2. Alternativa reaktivita H. Harrison, M. Minsky: The Turing Option, 1992 Mohou neuročipy nahradit/vytvořit mozek? Terminátor Internet vyhovuje definici konekcionistického systému bude někdy inteligentní? R. Brooks (1991): Intelligence without Representation Intelligence without Reason Inteligence jako emergentní výsledek činnosti primitivních entit: modelování zdola nahoru dekompozice na úrovni úloh (subsumpční architektura) P. Berka, 2007 7/17 P. Berka, 2007 8/17

Klasický vs. reaktivní přístup Úloha vytvořit systém, který se bude pohybovat po vyvýšené plošině a nespadne Klasicky: Reaktivně: If daleko od hrany then rovně If blízko od hrany then zahni Fuzzy inference If vidí plochu then rovně If nevidí plochu then zahni Vidění a rozpoznávání Umělý život Snaha modelovat chování živých tvorů. méně ambiciózní než snaha modelovat inteligenci. v souladu s novou AI založeno na interakci velkého počtu primitivních jedinců Hra Life: jedinci obsazují pozice ve čtvercové mřížce Pravidla hry: zrod - v okolí prázdneho políčka jsou právě tři buňky ("trojpohlavní" rozmnožování) přežití - v okolí bunky jsou dvě nebo tři další buňky uhynutí - v okolí buňky je 0, 1, 4, 5, 6, 7 nebo 8 dalších buněk P. Berka, 2007 9/17 P. Berka, 2007 10/17 zánik opakující se obrazec kluzák stabilní obrazec P. Berka, 2007 11/17 P. Berka, 2007 12/17

NetLogo: vlci a ovce P. Berka, 2007 13/17 P. Berka, 2007 14/17 NetLogo: mraveniště NetLogo: světlušky P. Berka, 2007 15/17 P. Berka, 2007 16/17

Creatures (počítačová hra) výchova Nornů umělých bytostí P. Berka, 2007 17/17