Inteligentni sistemi podrške

1. Inteligentni sistemi podrške Ivana Radović Jelena Veljović Ana Tomić

2. Inteligentni sistemi i veštačka inteligencija Inteligentni sistemi omogućavaju ljudima da funkcionišu bolje nego ikada. • Šta su inteligentni sistemi? - različite komercijalne aplikacije veštačke inteligencije. • Veštačka inteligencija ( Artificial Intelligence) – osnova inteligentnih sistema, podrazumeva: • proučavanje procesa razmišljanja kod ljudi • predstavljanje tih procesa preko mašina (računara, robota i sl.) • “ ponašanje mašine, koje bi bilo nazvano inteligentnim kada bi se tako ponašalo ljudsko biće”. • Koje su odlike inteligentnog ponašanja?

3. Konačan cilj – sagraditi mašine koje će oponašati ljudsku inteligenciju! • Turingov test – test koji omogućava proveru sposobnosti mašine da demonstrira inteligenciju. • ljudski sudija se upušta u konverzaciju prirodnim jezikom sa jednim čovekom i jednom mašinom, a oba sagovornika pokušavaju da se predstave kao ljudi. Ako sudija ne može sa sigurnošću da odredi koji sagovornik je čovek a koji mašina, onda je mašina prošla test.

4. Prema drugoj definiciji, veštačka inteligencija je grana računarske nauke koja se bavi načinima predstavljanja znanja, korišćenjem simbola pre nego brojeva i heuristikom, odnosno iskustvenim pravilom, pre nego algoritmima za obradu informacija. • Znanje i AI : da li računar može imati iskustvo?Računar koristi znanje koje mu daju ljudski eksperti a sastoji se od činjenica, koncepata, teorija, heurističkih modela, procedura i odnosa. Takvo znanje se koristi za rešavanje problema ili donošenje odluka. • Baza znanja – mesto gde se znanja organizuju i čuvaju kako bi bila primenjena u inteligentnom sistemu.

5. Kolika je potencijalna vrednost AI ? • Koje su prednosti veštačke inteligencije u odnosu na prirodnu inteligenciju, a koji su nedostaci? • Konvencionalna nasuprot AI obradi na računaru. • AI softver je zasnovan na simboličkoj obradi znanja. Upotrebom simbola moguće je formirati bazu znanja koja sadrži činjenice, koncepte i njihove međusobne odnose. • Da li računar zaista misli? Pa ne. Ljudski mozak je isuviše kompleksan da bi se mogao kopirati. Računar na bazi velikog broja informacija i uputstava proverava alternative i pokušava da pronađe neke kombinacije koje ispunjavaju zadate kriterijume.

6. AI obezbeđuje naučno utemeljenje za nekoliko komercijalnih tehnologija, iako veštačka inteligencija sama po sebi nije komercijalno polje tj. ne može biti predmet prodaje. • Osnovni inteligentni sistemi su: • ekspertski sistemi • obrada prirodnog jezika (NLP) • razumevenje govora • robotika i senzorski sistemi • fazi logika • obrada na bazi neuronskih mreža • računarska vizuelizacija i scensko prepoznavanje • inteligentna obuka uz pomoć računara

7. Inteligentni sistemi u svakodnevnom životu • Inteligentni sistemi podrške vozaču

8. Pametne kuće

9. Ekspertski sistemi • Ljudski eksperti – poseduju specifično znanje i iskustvo u vezi sa određenim problemom ili u vezi sa donošenjem odluke (npr. kupovina opreme, integracije, nabavke, strategija oglašavanja i sl.) • Ekspertski sistemi (ES – i) su softveri za donošenje odluka tj. pokušaj da se imitiraju ljudski eksperti. ES mogu: • podržati one koji donose odluku, ili • potpuno zameniti donosioce odluka

10. Osnovna ideja ES – a: ekspertiza se sa eksperta (ili drugog izvora) prenosi na računar gde se čuva. Po potrebi korisnik se obraća računaru za savet, a računar će izvući zaključak i doći do rešenja. Potom će savetovati eksperta i, ako je potrebno, objasniti logiku iza saveta – jedinstvena karakteristika.

11. Prenos ekspertize sa eksperta na računar i dalje do korisnika podrazumeva četiri aktivnosti: • prikupljanje znanja • predstavljanje znanja • zaključivanje pomoću znanja (mehanizam za zaključivanje) • prenos znanja korisniku • Koje su osnovne prednosti ES? • povećan rezultat i produktivnost • povećan kvalitet • prikupljanje i širenje deficitarne ekspertize • povećane mogućnosti drugih sistema • smanjenje vremena za donošenje odluka, itd.

12. Koja su ograničenja ekspertskih sistema? • znanje koje treba pribaviti nije uvek lako dostupno • ekspertizu je teško ekstrahovati od ljudi • pristup svakog eksperta situaciji može biti različit, mada ispravan • korisnici ES-a imaju prirodna spoznajna ograničenja • ES funkcionišu dobro samo u usko definisanim oblastima, kao što je utvrđivanje kvarova na mašinama • izrada ekspertskih sistema može biti izuzetno skupa • transfer znanja je predmet perceptivnih i vrednosnih predrasuda • mogućnost za lošu preporuku datu od strane ES je teško proceniti, itd. • Različiti organizacioni, lični i ekonomski faktori mogu usporiti širenje ES-a ili čak izazvati njihovu propast.

13. Komponente ES: • baza znanja (činjenice i pravila) • tabla (radno mesto) • mehanizam za zaključivanje (mozak ES – a) • korisnički interfejs • podsistem za objašnjavanje (verifikator) • sistem za prečišćavanje znanja (u procesu razvoja) • Proces izgradnje i korišćenje ES – a: može se podeliti u dva dela – razvoj sistema (gde se sistem konstruiše) i konsultaciono okruženje (prikazuje kako se savet daje korisnicima).

14. Primena ekspertskih sistema • Ekspertski sistemi su danas u upotrebi u svim vrstama organizacija. • Naročito su korisni u deset generičkih kategorija: • Interpretacija • Predviđanje • Dijagnoza • Projekat • Planiranje • Nadzor • Otklanjanje grešaka • Popravka • Instrukcije • Kontrola

15. Neke od primena ES: • upravljanje indistrijskim procesima • praćenje rada medicinskih uređaja • autonomno kretanje vozila (na zemlji i vodi), • automatski piloti • upravljanje satelitima • nadgledanje instalacija • operativno i taktičko upravljanje vojnim operacijama na bojnom polju • analize složenih finansijskih transakcija • na naftnim platformama  • za detekciju bušotina nafte (Drilling Advisor)

16. Ministarstvo finansija Sjedinjenih Država bori se protiv kriminala pomoću ekspertskih sistema. • Vizuelni sistemi za donošenje odluka u Chevron Oil’s rafineriji. • Kineski sistem teretne železnice. • Ekspertski konfigurator u Carrier Corporation – u. • Ekspertski revizor u State Street Bank. • Ugrađeni ekspertski sistemi: • jedna od najkorisnijih primena ES

17. ERP (Enterprise Resource Planing) – predstavlja poslovno rešenje koje omogućava kompanijama da automatizuju i integrišu sve informacije i poslovne procese u jedan jedinstveni sistem.

18. Neke od najvećih softverskih kompanija sveta (stacionirane u Silicijumskoj dolini)

19. Drugi inteligentni sistemi Obrada prirodnog jezika i govorne tehologije Neuronski sistemi Fuzzy logika Hibridni sistemi

20. Obrada prirodnog jezika i govorne tehnologije • Obrada prirodnog jezika(NLP)je oblast veštačkeinteligencije i lingvistike koja se bavi proučavanjem problema automatskog proizvođenja i razumevanja prirodnih ljudskih jezika • Ona se odnosi na komunikaciju sa računarom na engleskom ili bilo kom drugom jeziku • Da bi razumeo prirodnim jezikom postavljeno pitanje, računar mora umeti da analizira a potom interpretira ulazne podatke. Kada računar jednom shvati ulazne podatke, on moze preuzeti željenu akciju • Razmatramo dva tipa NLP: • Razumevanjeprirodnogjezika • Generisanjeprirodnogjezika

21. Ograničenjaprepoznavanjairazumevanjagovora: • računarska analiza prirodnog, ljudskog jezika opterećena je mnogim problemima izazvanim kompleksnošću samog jezika (višeznačnost, sinonimija...), npr.: • We gave the monkeys the bananas because they were hungry.(Mi smo dali majmunima banane zato što su oni bili gladni.) • We gave the monkeys the bananas because they were over-ripe.(Mi smo dali majmunima banane zato što su one bile prezrele.) • Ove dve rečenice na engleskom imaju istu gramatičku površinsku strukturu. Međutim, u prvoj rečenici na engleskom jeziku reč they se odnosi na majmune, a u drugoj na banane pa stoga možemo da zaključimo da rečenice ne mogu da se ispravno razumeju bez poznavanja svojstava i ponašanja majmuna i banana. • Niz reči može da se protumači na bezbroj načina • Nemogućnostračunaradaprepoznadugačke rečenice • Što je sistemzaprepoznavanjegovorabolji-to je skuplji • Potrebakombinovanjagovorasaunosompodatakaprekotastaturešto usporavaproces

22. Ostali problemi: • Segmentacija govora U većini govornih jezika, zvuci koji predstavljaju slova u nizu stapaju se, stoga pretvaranje analognog signala u zasebne karaktere može biti veoma težak proces. Takođe, u prirodnom govoru gotovo i da nema pauza između reči u nizu; pri određivanju ovih granica obično treba da se uzmu u obzir semantička i gramatička ograničenja, kao i kontekst. • Segmentacija teksta Neki pisani jezici poput japanskog, kineskog i tajlandskog nemaju jasno izdvojene zasebne reči, pa zato bilo koja značajna analiza rečenice obično zahteva određivanje granica između reči, što nije nimalo trivijalan zadatak. • Razlučivanje dvosmislenosti značenja reči Mnoge reči imaju više od jednog značenja; mi treba da izaberemo ono značenje koje ima najviše smisla u datom kontekstu. • Nesavršen ili neregularan ulaz Strani ili regionalni akcenat i smetnje u govoru; štamparske ili gramatičke greške, greške optičkog prepoznavanja karaktera u tekstovima.

23. Prednosti prepoznavanja i razumevanja govora: • Lakoća pristupa • Brzina • Sloboda ruku • Daljinski pristup • Tačnost

24. Primena govornih tehnologija • American Express Travel Related Services (AETRS) • Govorni portali • Aplikacije za: odgovaranje pitanja u vezi sa rezervacijama, obaveštavanje korisnika o stanju na kreditnim karticama, primanje porudžbina, davanje informacija o uslugama i cenama, sprovodjenje istraživanja tržista i telemarketing…

25. Razvojgovornihtehnologijanasrpskomjeziku-(ASR i TTS) automatskoprepoznavanjeisintezagovora • Primena • Pojava govornih tehnologija je od posebnog značaja zavećinu osoba sa invaliditetom (OSI):slepim i slabovidim osobama računar čita knjige,novine sa Interneta, e-mail i SMS poruke, računar naglas čita ono što nema osoba napiše, osoba koja ne može da koristi ruke govornimkomandama upravlja uređajima u okruženju, automatski prepoznat govor se lako prevodi u tekst Ipostaje dostupan osobama koje ne čuju. • Primena ASR i TTS u okvirutelefonskihkorisničkihservisaostvaruje se u vidugovornih automata ili IVR sistema (eng. Interactive Voice Response). • IVR u govornim portalima:Prvi govorni portali na južno-slovenskom govornom području su već opisani portali za slepe i slabovide • IVR u berzanskojaplikaciji:Ovaj IVR sistemnamenjen je pružanjuinformacijavlasnicimaakcijakojiimajusvojenalogekodCentralnedepozitarneagencije u CrnojGori. • Automatskotelefonskoanketiranje-automatski vođen dijalog između računara i ispitanika

26. ObradazasnovananaNeuronskimmrežama • Drugačiji pristup inteligentnim sistemima je obrada na računaru sa arhitekturom koja oponaša odredjene sposobnosti obrade koje poseduje mozak. • Rezultati: masovna paralelna obrada, brzo dobijanje velike količine informacija i sposobnost da se prepoznaju obrasci zasnovani na iskustvima. Ovakva tehnologija se naziva Neuronska obrada na računaru (Neural Computing) ili Veštacka Neuronska Mreža (Artificial Neural Network-ANN)

27. Veštačke neuronske mreže su inspirisane biološkim mrežama, tj., one preuzimaju ideje iz načina na koji funkcioniše ljudski mozak. One su po strukturi,funkciji i obradi informacija slične biološkim neuronskim mrežama, ali se radi o veštačkim tvorevinama. • Ključnakarakteristika ove vrste veštačke inteligencije je specifična strukturaobrade informacija sastavljena od velikog broja međusobno povezanih elemenataobrade (neurona) koji zajednički rade na rešavanju problema.Te jedinice su povezane komunikacionim kanalima (vezama).

28. Ne postoji jedinstvenadefinicija neuronskih mreža. Međutim, većina stručnjaka bi neuronske mreže definisalana sledeći način: Neuronska mreža je sistem sastavljen od više jednostavnih procesora(jedinica, neurona), svaki od njih ima lokalnu memoriju u kojoj pamti podatke kojeobrađuje. Te jedinice su povezane komunikacionim kanalima (vezama). Podacikoji se ovim kanalima razmenjuju su obično numerički. • Iako ANN postoje od 1940-tih godina, one nisu imale značajniju praktičnu primenu sve do 1980-tih, kada su algoritmi postali dovoljno prefinjeni za opštiju upotrebu (aplikacije). Danas se ANN primenjuju za rešavanje sve većeg broja svakodnevnih problema sa veoma velikom kompleksnošću.

29. Komponente i struktura ANN • Neuron- prima ulaze, obradjuje ih i proizvodi jedan izlaz. Ulaz može biti sirovi podatak ili izlaz iz nekog drugog neurona. Na sledećoj slici je prikazana obrada informacije u veštačkom neuronu.

30. Ulazi- Svaki ulaz korespondira jednom parametru, npr. kod mreže koja služi problemu odobravanja pozajmice, ulazni parametri bi mogli biti nivo prihoda kandidata, starost, vlasništvo nad kućom itd. Ulazni podaci se množe težinama kada udju u elemente obrade (PEs) • Težine-Ključni elementi neuronske mreže. One izražavaju relativnu snagu(važnost, vrednost) ulaznog podatka. Značaj težina je u tome što one čuvaju naučene obrasce informacija. Upravo preko ponavljanih podešavanja težina, mreža uči. • Funkcija sabiranja(sumiranja)-množi svaku ulaznu vrednost njenom težinom i daje ukupne vrednosti za merenu sumu.

31. Funkcija transformacije-sjedinjuje informacije proizvedene preko svih elemenata obrade i transformiše ih u izlazne podatke koji imaju smisla. • Izlazi-sadrže rešenje problema. U slučaju zahteva za pozajmicom to može biti “da” ili “ne”. ANN odredjuje numeričke vrednosti, kao 0 za “da” i 1 za “ne”. Namena mreže je da izračuna vrednost izlaza.

32. Mreža se sastoji od neurona grupisanih u slojeve. Pored ulaznog i izlaznog sloja, mreža može imati jedan ili više skrivenih slojeva. Ovo iz razloga sto je često potrebna postobrada izlaza. Izlazi mogu biti ulazi za druge odluke.

33. Jedna od najvažnijih karakteristika ANN je prepoznavanje obrazaca. Neuronske mreže mogu da analiziraju velike količine podataka da bi uspostavile obrasce i karakteristike u situacijama u kojima logika i pravila nisu poznati. • Neuronske mreže su posebno korisne za finansijske aplikacije kao što je odredjivanje kada kupiti ili prodati akcije. • Govori se i o upotrebi ANN u predvidjanju nivoa podzemnih voda-radi se na identifikaciji optimalne ANN arhitekture koja bi simulirala opadajući nivo podzemnih voda i obezbedila predvidjanja kretanja do 18 meseci unapred • Upotreba ANN pri klasifikaciji stanja srčanih bolesnika-sedam značajnih karakteristika dobijenih iz EKG-a se koriste kao ulazni parametri

34. Druge pogodnosti: • Tolerancija greške • Generalizacija • Adaptibilnost • Mogućnost predviđanja

35. Oblasti biznisa podesne za upotrebu ANN: • Otkrivanje modela podataka • Utaja poreza • Finansijske usluge • Procena zahteva za zajam • Predvidjanje solventnosti • Verifikacija potpisa • Otkrivanje prevara u vezi sa osiguranjem • Otkrivanje falsifikovanih kreditnih kartica

36. Fuzzy logika • Rešava problem nejasnih situacija tako sto simulira procese ljudskog zaključivanja, dozvoljavajući računaru da se ponaša manje precizno i logično nego konvencionalni računari, jer donošenje odluka nije uvek stvar principa crno ili belo. • To je tehnika koju je razvio profesor Zadeh • Po mišljenju eksperata, produktivnost onih koji donose odluke može se višestruko povećati primenom fuzzy logike. •  Još šezdesetih godina L.Zadeh je postavio temelje konceptu koji je tek krajem osamdesetih doživeo procvat, i to uglavnom zahvaljujući primeni u oblasti automatske kontrole (npr.u japanskim podzemnim železnicama).

37. Koncept fuzzylogike počiva na tri principa čije mesto u algoritmuodgovara redosledu navodjenja: • fazifikacija- precizne - jednoznačne vrednosti kojima se izražava stanjesistema i okoline pretvaraju se u izraze iz svakodnevnog života (hladno, toplo,sporo, retko itd.) • rešavanje problema-skup fazifikovanih vrednosti upoređuje se sa pohranjenim znanjem u obliku IF-ELSEkonstrukcija, pri čemu postoji i THENgrana koja definiše željenu akciju kao odgovor na ulazni skup. • defazifikacija- dobijeno rešenje se vraća u normalan - jednoznačan oblik koji se onda može primeniti na objekat kontrole

38. Primena fuzzy logike: • Česta je upotreba fuzzy logike u kamerama, mašinama za pranje veša, čak i u aplikacajama za trgovanje akcijama • U saobraćaju- rešavanje problema saobraćajnih zagušenja, što je višedimenzionalni problem čije promenljive nemaju precizno definisane vrednosti. Dosadašnja istraživanja su donela neke pozitivne rezultate pa će biti nastavljena u istom pravcu.

39. Hibridni sistemi • Integracija više inteligentnih sistema ili inteligentnih sistema sa konvencionalnim sistemima(kao sto su sistemi za podršku). • Primeri: Razvijanje marketinške strategije-integracija ekspertskih sistema, fazi tehnologije i ANN; Optimizacija dizajnerskog procesa

40. Inteligentni agenti predstavljaju računarski softver koji je sposoban da fleksibilno, samostalno i bez intervencije korisnika izvršava postavljeni zadatak, a krajnjeg korisnika izveštava o završetku zadatka ili o samoj pojavi događaja koji se očekuje. Sam agent je u interakciji sa okolinom kako bi na što precizniji način izvršio postavljen zadatak.

41. senzori percepcija agent ? akcija činioci (aktuatori) Inteligencija- sposobnost inteligentih agenata da prihvataju zadate ciljeve i da ih izvršavaju okolina

43. Agent se može posmatrati kroz sagledavanje svog okruženja kroz senzore i delovanje u takvoj sredini kroz aktuatore. O K O L I N A Senzori ? AGENT Činioci

44. Ljudski agent ima oči, uši i ostale organe koji su senzori i ruke i noge, usta. Robotski agent može imati kamere i tragače koji predstavljaju senzore. Softverski agent kao senzorski ulaz dobija prtiske tastera, sadržaje datoteka i mrežne pakete i deluje na okolinu prikazom na ekranu, pisanjem datoteka i slanjem mrežnih paketa. Opažajna sekvenca agenata je kompletna istorija svega što je agent ikada video. Agentov izbor zavisi od svega što je do sad video.

45. Primer: Usisivačev agent

46. Inteligentni agenti su pre svega softverske komponente i služe kao posrednici između korisnika i računara. Osnovno svojstvo im je da samostalno deluju u ime korisnika kako bi obradili informaciju, sarađivali sa ostalim agentima i tako rešili postavljene zadatke. Svaki agent mora Radi za svog korisnika Radi sa njegovom dozvolom Specijalizovan je za neko područje

47. Agenti funkcionišu bez direktne intervencije ljudi i imaju određenu kontrolu nad svojim akcijama i unutrašnjim stanjem. Osnovne karakteristike agenata su: * deluju autonomno * izvode zadatke koji se ponavljaju * komunikacija i saradnja sa drugim agentima * inteligencija (koristi znanje)

48. * učenje (od korisnika, drugih agenata, ostalih izvora) * mobilnost (po mreži, na različitim računarima) * personalizacija (poznaju svog korisnika, njegove interese, preferencije) * adaptibilnost (menjaju se kako se svet menja)

49. Agent Sposobost rešavanja zadataka Znanje Sposobnost za komunikaciju Apriorno znanje Učenje Zadatak Pretraživanje Informacija Filtriranje informacija Temeljno na Dijalogu Temeljno na slučajevima S korisnikom S drugim agentima Govor Društvene sposobnosti Interagent Communication Language

50. Postoji četiri tipa agenata (na osnovu njihove inteligencije i mogućnosti): • jednostavni refleksivni agenti • jednostavni agenti temeljeni na modelu • agenti temeljeni na cilju • agenti temeljeni na korisnosti