historie ve stručnosti
logika
pravděpodobnost
ekonomie
automaty
kybernetika a teorie řízení
psychologie – jak lidé a zvířata myslí a jednají
lingvistika – jak jazyk souvisí s myšlením
neurověda – jak mozek zpracovává informace?
před zrozením oboru umělé inteligence
zrod AI
zlatá éra, první léto
první zima
druhé léto
expertní systémy – zabývají se konkrétními obory lidské činnosti
druhá zima
třetí léto
co bude dál? může nám to naznačit Gartner Hype Cycle
AI je o kontrukci racionálních agentů
záleží na prostředí, v němž agent operuje
agent – vnímá prostředí pomocí senzorů, aktuátory mu umožňují jednat
reprezentace stavů
problem solving agent – typ goal-based agenta
formulace problému
(state, action) -> state
problém převedeme na graf
algoritmy prohledávání grafu: graph-search a tree-search
strategie neinformovaného prohledávání
strategie informovaného (heuristického) prohledávání
problém rozmístění královen na šachovnici, aby se neohrožovaly
constraint satisfaction problem (CSP)
arc consistency (hranová konzistence)
silnější konzistence … -konzistence
globální podmínky
v jakém pořadí brát proměnné a hodnoty v backtrackingu
constraint programming je deklarativní přístup k řešení problémů
často lze u nějakého modelu (třeba CSP) prohodit proměnné a hodnoty → vznikne duální model
k nalezení splňujícího ohodnocení se nejčastěji používá algoritmus DPLL
další optimalizace SATu
znalostní agenti
jak můžeme reprezentovat informaci, která se mění v čase – třeba pozici agenta?
observation model – propojuje pozorování s informacemi v modelu světa
transition model – popisuje vývoj světa po aplikaci akcí
plánování
k plánování můžeme používat prohledávání nebo výrokové odvození
jak předejít opakování axiomů pro různé časy a podobné akce?
at(robot, location, s)
connected(loc1, loc2)
at(a, l, s) & connected(l, l') => Poss(go(a, l, l'), s)
Poss(a, s) => (F(Results(s, a)) <=> (F is made true by a) OR (F(s) & F is not made false by a))
klasické plánování
přístupy k plánování
potřebujeme heuristiku, aby naváděla prohledávání
další formy plánování
shrnutí – automatizované plánování
jednání ovlivněné nejistotou
někdy si můžeme udělat tabulku všech možností a určit jejich pravděpodobnosti (full joint probability distribution)
odpověď lze vyjádřit z ní (této metodě se říká enumeration, výčet) – ale u velkých tabulek je někdy potřeba posčítat příliš mnoho hodnot
počítání pravděpodobnosti
bayesovská síť je DAG, kde vrcholy odpovídají náhodným proměnným
konstrukce bayesovské sítě
z bayesovských sítí můžeme provádět inferenci – odvozovat pravděpodobnost proměnných pomocí pravděpodobností skrytých proměnných
Monte Carlo přístup
každý stav světa je popsán množinou náhodných proměnných
formální model
základní inferenční úlohy
skryté Markovovy modely
dynamická bayesovská síť
dynamická bayesovská síť (DBN) vs. skrytý Markovův model (HMM)
inference v DBN
rozhodování
užitek (utility)
teorie užitku
rozhodovací sítě (decision networks, influence diagrams) kombinují bayesovské sítě s dodatečnými typy vrcholů pro akce a utility
vyhodnocení rozhodovací sítě: nastavíme proměnné pozorování (evidence variables) na aktuální stav, pro všechna možná rozhodnutí spočítáme utility, vrátíme akci s největší utilitou
decision-theoretic expert systems
markovovský rozhodovací proces (MDP)
částečně pozorovatelný markovský rozhodovací proces (POMDP)
více agentů
někdy ve hrách hraje roli náhoda (tzv. stochastické hry)
hry na jeden tah
opakované hry
k čemu používáme teorii her
aukce
jak je to s hrami dnes?
strojové učení
učení s učitelem (supervised learning)
rozhodovací strom
logická formulace učení
lineární modely
lineární klasifikace
skládají se z propojených uzlů (jednotek)
struktury neuronových sítí
učení ve feed-forward vícevrstevných sítích
parametrický model
neparametrický model
support-vector machine (SVM)
někdy se neučíme úplně od nuly, už máme částečnou znalost, snažíme se naučit něco navrch – statistické učení
bayesovské sítě, parameter learning (učení se parametrů)
základní myšlenka
pasivní učení – známe strategii a učíme se, jak je dobrá (učíme se utility funkci)
aktivní učení – agent zjišťuje, co má dělat (učíme se strategii a utility funkci)
přístup k AI
lidská utility funkce jsou obvykle peníze
ale nedají se použít přímo – nejsou lineární (mezi milionem a dvěma miliony není takový rozdíl jako mezi nulou a milionem)
lidé jsou „předvídatelně iracionální“
mohou stroje myslet?
Turingův test
je Gödelova věta o neúplnosti problémem pro AI?
logická omezení se týkají i lidí
mind-body problem
myšlenkové experimenty
etické problémy AI
technické problémy AI
sociální problémy AI