Κωδικός Διαφανειών: MKT110

Παρουσίαση με θέμα: "Κωδικός Διαφανειών: MKT110"— Μεταγράφημα παρουσίασης:

1 Κωδικός Διαφανειών: MKT110
Γεωπονικό Πανεπιστήμιο Αθηνών Γενικό Τμήμα Εργαστήριο Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών Κωδικός Μαθήματος: Κωδικός Διαφανειών: MKT110 Καθηγητής Νίκος Λορέντζος

2 7. Τεχνητή Νοημοσύνη Γεωπονικό Πανεπιστήμιο Αθηνών Γενικό Τμήμα
Εργαστήριο Πληροφορικής 7. Τεχνητή Νοημοσύνη Καθηγητής Νίκος Λορέντζος

3 Τεχνητή Νοημοσύνη (ΤΝ)
Η μελέτη της φύσης της νοημοσύνης, ανεξάρτητα από το αν αφορά σε ανθρώπους ή σε μηχανές. Η κατανόηση των διαδικασιών της ανθρώπινης σκέψης ώστε να καταστεί δυνατή η μοντελοποίηση και ο προγραμματισμός τους σε Η/Υ, έτσι ώστε ο Η/Υ να μπορεί να επιλύει τα ίδια προβλήματα με τον ίδιο τρόπο με τον οποίο τα επιλύει και ένας άνθρωπος. Η μελέτη μεθόδων για να κάνουμε τους Η/Υ να κατορθώνουν πράγματα που μόνο ο άνθρωπος μπορεί να κάνει. Η κατασκευή μηχανών που συμπεριφέρονται με τρόπο που οι άνθρωποι τον χαρακτηρίζουν ως ευφυή. Η χρήση έξυπνων προγραμμάτων και τεχνικών που μιμούνται τον ανθρώπινο τρόπο σκέψης.

4 Έμπειρα Συστήματα

5 Έμπειρο Σύστημα (ΕΣ) Έξυπνο πρόγραμμα που χρησιμοποιεί γνώση και
μηχανισμούς εξαγωγής συμπερασμάτων, για να μπορεί να λύνει προβλήματα τα οποία είναι δύσκολα και μπορεί να απαιτούν σημαντική ανθρώπινη εμπειρία για τη λύση τους. Εξομοιώνει την ικανότητα εξαγωγής συμπερασμάτων ενός εμπειρογνώμονα.

6 Σύγκριση Ανθρώπινης με Τεχνητή Γνώση
Ανθρώπινη γνώση Μεγάλο χρονικό διάστημα, για τη μετάδοση της γνώσης στους εκπαιδευόμενους. (-) Επανάληψη της διαδικασίας μετάδοσης της γνώσης σε νέους εκπαιδευόμενους. (-) Η γνώση είναι αυξανόμενη και μεταβαλλόμενη. (+) Η αξιοποίηση της γνώσης επηρεάζεται από πολλούς παράγοντες. (-) Το πεδίο της γνώσης είναι ευρύ. (+) Μακροχρόνια, υψηλό κόστος, για την απόκτηση γνώσης. (-) Τεχνητή γνώση Συγκριτικά μικρό χρονικό διάστημα, για την άντληση της γνώσης από τον ειδικό. (+) Η γνώση που αντλήθηκε μπορεί να εγκατασταθεί σε πολλούς Η/Υ. (+) Η γνώση παραμένει στατική. (-) Η αξιοποίηση της γνώσης είναι ανεξάρτητη από παράγοντες. (+) Το πεδίο της γνώσης είναι περιορισμένο. (-) Μακροχρόνια, το κόστος για την απόκτηση της γνώσης είναι χαμηλό. (+)

7 Μέθοδοι Αναπαράστασης Γνώσης
Με Κανόνες Με Πλαίσια Με Σημασιολογικά Δίκτυα

8 1. Αναπαράσταση Γνώσης με Κανόνες
IF συνθήκη-1 and συνθήκη-2 … and συνθήκη-m THEN συμπέρασμα-1 and συμπέρασμα-2 and συμπέρασμα-n συνθήκη: αντικείμενο - ιδιότητα - τιμή

9 Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
1. Αναπαράσταση Γνώσης με Κανόνες συνθήκη: αντικείμενο - ιδιότητα - τιμή IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση THEN Ασθένεια: Βοτρύτης ή τεφρά σήψη - Votrytis cinerea Confidence=100/100 and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-1.SCR" /C) DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-2.SCR" /C) 9

10 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση

11 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση

12 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση

13 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση

14 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση

15 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
THEN Ασθένεια: Βοτρύτης ή τεφρά σήψη - Votrytis cinerea Confidence=100/100

16 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-1.SCR" /C) DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-2.SCR" /C)

17 1. Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας
and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-1.SCR" /C) DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-2.SCR" /C)

18 Πλεονεκτήματα Κανόνων
Ομοιότητα με φυσική γλώσσα και ανθρώπινη συλλογιστική Δομημένη μορφή αναπαράστασης Εύκολη υλοποίηση επεξήγησης

19 2. Αναπαράσταση Γνώσης με Πλαίσια
Όνομα Πλαισίου Ιδιότητα Τιμή θηλαστικό μπορεί να κινείται αναπνέει αέρα καλύπτεται από δέρμα αναπαραγωγή γέννηση ολοκληρωμένου ζώου

20 3. Αναπαράσταση Γνώσης με Σημασιολογικό Δίκτυο
3. Αναπαράσταση Γνώσης με Σημασιολογικό Δίκτυο αναπνεύσει δέρμα κινηθεί μπορεί να έχει ΖΩΟ είναι φτερά πετάξει έχει μπορεί να ΠΤΗΝΟ είναι καναρίνι κελαηδήσει κίτρινο μπορεί να έχει χρώμα στρουθοκάμηλος πετάξει ψηλή δεν μπορεί να είναι 20

21 Απαιτήσεις από ένα ΕΣ Να λύνει προβλήματα που απαιτούν τη γνώση του ειδικού. Να παρέχει εναλλακτικές λύσεις και να τις τεκμηριώνει. Να διαθέτει ευελιξία στη σύλληψη και πρόσκτηση νέας γνώσης. Να βοηθά στη μετάδοση της γνώσης στον επιστήμονα. Να παρουσιάζει τη γνώση του με εύκολο και καταληπτό τρόπο, σε φυσική γλώσσα.

22 Υποσύστημα Σύλληψης Γνώσης
Δομή ΕΣ Υποσύστημα Επεξήγησης Υποσύστημα Σύλληψης Γνώσης Διεπαφή Χρήστης Βάση Γνώσης Επαγωγική Μηχανή (Εσωτερική δόμηση της γνώσης)

23 Διαδικασία Ανάπτυξης ΕΣ
1. Προκαταρκτικό στάδιο Εύρεση του ειδικού, που έχει τις γνώσεις Καθορισμός του προβλήματος και των χρηστών του ΕΣ Προσδιορισμός εργαλείου ανάπτυξης

24 Διαδικασία Ανάπτυξης ΕΣ
2. Διαδικασία σύλληψης της γνώσης και δόμησης της ΒΓ Πρόσκτηση της γνώσης από τον ειδικό μέσω του μηχανικού γνώσης Καταγραφή της πρωτογενούς γνώσης για το σύστημα Στρατηγικές επίλυσης προβλήματος Δομή του γνωστικού αντικειμένου Αναπαράσταση γνώσης

25 Διαδικασία Ανάπτυξης ΕΣ
3. Υλοποίηση Σχεδιασμός και ανάπτυξη του πρωτοτύπου Έλεγχος και διορθώσεις Επέκταση

26 Εφαρμογές ΕΣ Διαγνωστικά-Προγνωστικά Συμβουλευτικά
Παθολογία (σύστημα MYCIN χρησιμοποιήθηκε στην Ιατρική βοηθώνταςστη διάγνωση και θεραπεία ασθενειών), Μικροβιολογία, Φυτοπαθολογία, Μετεωρολογία, Γεωλογία κλ.π Συμβουλευτικά Οικονομία, Γενετική, Φαρμακολογία, Δασοπροστασία, βελτίωση καλλιεργειών Επιχειρησιακά - Ελέγχου Οικονομία, διαχείριση υπογείων υδάτων, έλεγχος βιομηχανικών μονάδων, πρόβλεψη φαινομένων στην ατμόσφαιρα που σχετίζονται με την προστασία τροφίμων και καλλιεργειών (σύστημα ARTEMIS, για την προειδοποίηση μετανάστευσης ακρίδων)

27 Τεχνητά Νευρωνικά Δίκτυα

28 Γενικά Για την κατανόηση της νοημοσύνης οι ερευνητές σκέφτηκαν ότι θα έπρεπε να εξετάσουν τον ανθρώπινο εγκέφαλο και τον τρόπο λειτουργίας του, ώστε να κατασκευάσουν ένα σύστημα που θα είναι σε θέση να μιμείται τις διεργασίες του εγκεφάλου. Τεχνητά Nευρωνικά Δίκτυα (ΤΝΔ) Αποτελούν υπολογιστική και προγραμματιστική προσομοίωση των νευρώνων του ανθρώπινου εγκεφάλου, με δυνατότητα μάθησης μέσω παραδειγμάτων.

29 Ανθρώπινο Νευρωνικό Δίκτυο
Σύνολο νευρώνων που ο καθένας τους συνδέεται με πολλούς άλλους, μέσω συνάψεων.

30 Τεχνητό Νευρωνικό Δίκτυο
Σύστημα επεξεργασίας πληροφορίας, σχεδιασμένο με βάση τη λογική συνδεσμολογίας των νευρώνων του ανθρώπινου εγκεφάλου. Αποτελείται από ένα μεγάλο αριθμό επεξεργαστών (κόμβων) που είναι πολλαπλά διασυνδεδεμένοι μεταξύ τους και δουλεύουν σε πλήρη συμφωνία. - Οι επεξεργαστές (κόμβοι) αντιστοιχούν στους νευρώνες του ανθρωπίνου εγκεφάλου. - Οι διασυνδέσεις αντιστοιχούν στις συνάψεις Το κλειδί είναι η δικτυακή δομή του συστήματος επεξεργασίας πληροφορίας.

31 Τεχνητά Νευρωνικά Δίκτυα
Τα ΤΝΔ, έχουν τη δυνατότητα μάθησης μέσα από παραδείγματα. Στα βιολογικά συστήματα (π.χ. στον άνθρωπο), η μάθηση μέσω παραδειγμάτων επιτυγχάνεται με την τροποποίηση των συναπτικών συνδέσεων των νευρώνων. - Η ίδια διαδικασία εφαρμόζεται και στα ΤΝΔ. Ως εκ τούτου, με τη χρήση μιας διαδικασίας μάθησης, τα ΤΝΔ χρησιμοποιούνται σε διαδικασίες όπως είναι - η αναγνώριση προτύπων και - η κατηγοριοποίηση δεδομένων.

32 Τεχνητό Νευρωνικό Δίκτυο
Πολυεπίπεδο Perceptron (Multilayer Perceptron) ΤΝΔ πρόσθιας τροφοδότησης (feedforward). Αποτελείται από διαδοχικά στρώματα (layers) κατάλληλα συνδεδεμένων απλών μονάδων επεξεργασίας (processing units).

33 Πολυεπίπεδο Perceptron
Επίπεδο εισόδου Είσοδος Κρυφό επίπεδο (πολλά κρυφά επίπεδα) Επίπεδο εξόδου Έξοδος 33

34 Τεχνητό Νευρωνικό Δίκτυο BERA
BERA (Bioelectric Recognition Assay): Σύστημα ανίχνευσης φυτοπαθογόνων ιών, με χρήση βιοαισθητήρων και ΤΝΔ. Βασίζεται στην βιοαισθητηριακή μέθοδο ανίχνευσης ιών. Στον βιοαισθητήρα εισάγεται κάποιο δείγμα. Το δείγμα διαρρέεται από ηλεκτρικό ρεύμα. Ανάλογα με τη μεταβολή της τάσης, συναρτήσει του χρόνου, ταυτοποιείται ο μολυσματικός παράγων (φυτοπαθογόνος ιός).

35 Bioelectric Recognition Assay (BERA)
Δεδομένα σε μορφή χρονοσειρών Προεπεξεργασία δεδομένων ΤΝΔ Ταξινόμηση φυτοπαθογόνων ιών

36 Τεχνητά Νευρωνικά Δίκτυα
Πλεονεκτήματα Παράλληλη επεξεργασία Ικανότητα εκμάθησης τυχαίων συναρτήσεων Μνήμη Αυτοοργάνωση Αρκεί η εκπαίδευση, δεν υπάρχει ανάγκη χαρακτηρισμού του προβλήματος

37 Τεχνητά Νευρωνικά Δίκτυα
Μειονεκτήματα Δεν υπάρχει αυστηρή μεθοδολογία. Η εκπαίδευση μπορεί να είναι δύσκολη ή αδύνατη. Η ικανότητα γενίκευσης είναι δύσκολα προβλέψιμη.