elgavrilis's blog

Η κλασική τεχνητή νοημοσύνη απαιτεί τεράστια υπολογιστική ισχύ. Ένας τρόπος για να μειωθούν οι υπολογιστικοί κύκλοι και, ως εκ τούτου, να επιταχυνθεί η καμπύλη μάθησης είναι να χρησιμοποιηθεί μια μεθοδολογία που ονομάζεται ασαφής λογική. Βρίσκοντας κοινά σημεία μέσα σε δηλώσεις και χρησιμοποιώντας μια ακολουθία “τότε/αν”, οι μηχανές μπορούν, κατά κάποιο τρόπο, να προγραμματιστούν ώστε να σκέφτονται μόνες τους.

Οι υπολογιστές δεν συλλογίζονται όπως οι εγκέφαλοι. Οι υπολογιστές «συλλογίζονται» όταν χειρίζονται ακριβή γεγονότα που έχουν αναχθεί σε σειρές από μηδέν και ένα και προτασιακές δηλώσεις που είναι είτε αληθείς (Α) είτε ψευδείς (Ψ). Ο ανθρώπινος εγκέφαλος μπορεί να συλλογιστεί με αόριστους ισχυρισμούς ή ισχυρισμούς που περιλαμβάνουν αβεβαιότητες ή αξιολογικές κρίσεις: «Ο αέρας είναι δροσερός» ή «Αυτή η ταχύτητα είναι γρήγορη» ή «Είναι νέα». Σε αντίθεση με τους υπολογιστές, οι άνθρωποι έχουν κοινή λογική που τους επιτρέπει να συλλογίζονται σε έναν κόσμο όπου τα πράγματα είναι μόνο εν μέρει αληθινά.

Η ασαφής λογική είναι ένας κλάδος της μηχανικής νοημοσύνης που βοηθά τους υπολογιστές να ζωγραφίζουν γκρίζες, λογικές εικόνες ενός αβέβαιου κόσμου. Οι λογικοί τη δεκαετία του 1920 έθιξαν για πρώτη φορά τη βασική της έννοια: όλα είναι θέμα βαθμού.

Η ασαφής λογική χειρίζεται αόριστες έννοιες όπως «ζεστό» ή «ακόμα βρώμικο» και έτσι βοηθά τους μηχανικούς να κατασκευάσουν κλιματιστικά, πλυντήρια ρούχων και άλλες συσκευές που κρίνουν πόσο γρήγορα πρέπει να λειτουργούν ή να μεταβαίνουν από τη μία ρύθμιση στην άλλη, ακόμη και όταν τα κριτήρια για την πραγματοποίηση αυτών των αλλαγών είναι δύσκολο να καθοριστούν. Όταν οι μαθηματικοί δεν διαθέτουν συγκεκριμένους αλγόριθμους που να υπαγορεύουν πώς ένα σύστημα θα ανταποκρίνεται σε δεδομένα εισόδου, η ασαφής λογική μπορεί να ελέγξει ή να περιγράψει το σύστημα χρησιμοποιώντας κανόνες «κοινής λογικής» που αναφέρονται σε αόριστες ποσότητες. Κανένα γνωστό μαθηματικό μοντέλο δεν μπορεί να οδηγήσει ένα φορτηγό με ρυμουλκούμενο από ένα πάρκινγκ σε μια αποβάθρα φόρτωσης όταν το όχημα ξεκινά από ένα τυχαίο σημείο. Τόσο οι άνθρωποι όσο και τα ασαφή συστήματα μπορούν να εκτελέσουν αυτήν τη μη γραμμική εργασία καθοδήγησης χρησιμοποιώντας πρακτικούς αλλά ανακριβείς κανόνες όπως «Εάν το ρυμουλκούμενο στρίψει λίγο αριστερά, τότε στρίψτε το λίγο δεξιά». Τα ασαφή συστήματα συχνά συλλέγουν τους κανόνες τους από ειδικούς. Όταν κανένας ειδικός δεν δίνει τους κανόνες, τα προσαρμοστικά ασαφή συστήματα μαθαίνουν τους κανόνες παρατηρώντας πώς οι άνθρωποι ρυθμίζουν τα πραγματικά συστήματα.

Ένα πρόσφατο κύμα εμπορικών ασαφών προϊόντων, τα περισσότερα από τα οποία προέρχονται από την Ιαπωνία, έχει διαδώσει την ασαφή λογική. Το 1980, η εργολαβική εταιρεία F.L. Smidth & Company στην Κοπεγχάγη χρησιμοποίησε για πρώτη φορά ένα ασαφές σύστημα για να επιβλέψει τη λειτουργία ενός κλιβάνου τσιμέντου. Το 1988, η Hitachi παρέδωσε τον έλεγχο ενός μετρό στο Σεντάι της Ιαπωνίας σε ένα ασαφές σύστημα. Έκτοτε, οι ιαπωνικές εταιρείες έχουν χρησιμοποιήσει την ασαφή λογική για να κατευθύνουν εκατοντάδες οικιακές συσκευές και ηλεκτρονικά προϊόντα. Το Υπουργείο Διεθνούς Εμπορίου και Βιομηχανίας εκτιμά ότι το 1992 η Ιαπωνία παρήγαγε ασαφή προϊόντα αξίας περίπου 2 δισεκατομμυρίων δολαρίων. Οι αμερικανικές και ευρωπαϊκές εταιρείες εξακολουθούν να υστερούν πολύ.

Οι εφαρμογές της ασαφούς λογικής εκτείνονται πέρα ​​από τα συστήματα ελέγχου. Πρόσφατα θεωρήματα δείχνουν ότι κατ’ αρχήν η ασαφής λογική μπορεί να χρησιμοποιηθεί για τη μοντελοποίηση οποιουδήποτε συνεχούς συστήματος, είτε βασίζεται στη μηχανική είτε στη φυσική είτε στη βιολογία είτε στα οικονομικά. Ερευνητές σε πολλούς τομείς μπορεί να διαπιστώσουν ότι τα ασαφή, βασισμένα στην κοινή λογική μοντέλα είναι πιο χρήσιμα ή ακριβή από τα τυπικά μαθηματικά

Στην καρδιά της διαφοράς μεταξύ κλασικής και ασαφούς λογικής βρίσκεται κάτι που ο Αριστοτέλης ονόμασε νόμο του αποκλεισμένου μέσου. Στη θεωρία τυπικών συνόλων, ένα αντικείμενο είτε ανήκει είτε όχι σε ένα σύνολο. Δεν υπάρχει μέση οδός: ο αριθμός πέντε ανήκει πλήρως στο σύνολο των περιττών αριθμών και καθόλου στο σύνολο των άρτιων αριθμών. Σε τέτοια δισθενή σύνολα, ένα αντικείμενο δεν μπορεί να ανήκει και στα δύο: δηλ και σ’ ένα σύνολο και στο συμπληρωματικό του σύνολο ή σε κανένα από τα σύνολα. Αυτή η αρχή διατηρεί τη δομή της λογικής και αποφεύγει την αντίφαση ενός αντικειμένου που είναι και δεν είναι πράγμα ταυτόχρονα.

Τα σύνολα που είναι ασαφή ή πολυδύναμα, παραβιάζουν τον νόμο του αποκλεισμένου μέσου – σε κάποιο βαθμό. Τα στοιχεία ανήκουν μόνο εν μέρει σε ένα ασαφές σύνολο. Μπορεί επίσης να ανήκουν σε περισσότερα από ένα σύνολα. Ακόμα και σε ένα μόνο άτομο, ο αέρας μπορεί να φαίνεται δροσερός, ακριβώς όπως πρέπει και ζεστός σε ποικίλους βαθμούς. Ενώ τα όρια των τυπικών συνόλων είναι ακριβή, αυτά των ασαφών συνόλων είναι καμπυλωμένα ή λεπταίνουν, και αυτή η καμπυλότητα δημιουργεί μερικές αντιφάσεις. Ο αέρας μπορεί να είναι 20% δροσερός και ταυτόχρονα, 80% όχι δροσερός

Οι ασαφείς βαθμοί δεν είναι οι ίδιοι με τα ποσοστά πιθανότητας, ένα σημείο που έχει διαφύγει της προσοχής ορισμένων επικριτών του πεδίου. Οι πιθανότητες μετρούν αν κάτι θα συμβεί ή όχι. Η ασάφεια μετράει τον βαθμό στον οποίο συμβαίνει κάτι ή υπάρχει κάποια συνθήκη. Η δήλωση «Υπάρχει 30% πιθανότητα ο καιρός να είναι δροσερός» μεταφέρει την πιθανότητα δροσερού καιρού. Αλλά «Το πρωί φαίνεται 30% δροσερό» σημαίνει ότι ο αέρας φαίνεται δροσερός σε κάποιο βαθμό και ταυτόχρονα, ακριβώς όπως πρέπει και ζεστός σε ποικίλους βαθμούς.

Ο μόνος περιορισμός στην ασαφή λογική είναι ότι οι βαθμοί συμμετοχής ενός αντικειμένου σε συμπληρωματικές ομάδες πρέπει να αθροίζονται σε μονάδα. Αν ο αέρας φαίνεται 20% δροσερός, πρέπει επίσης να είναι 80% μη δροσερός. Με αυτόν τον τρόπο, η ασαφής λογική απλώς παρακάμπτει τη δισθενή αντίφαση – ότι κάτι είναι 100% δροσερό και 100% μη δροσερό – που θα κατέστρεφε την τυπική λογική. Ο νόμος του αποκλεισμένου μέσου ισχύει απλώς ως ειδική περίπτωση στην ασαφή λογική, δηλαδή όταν ένα αντικείμενο ανήκει 100% σε μία ομάδα

Η σύγχρονη μελέτη της ασαφούς λογικής και των μερικών αντιφάσεων ξεκίνησε στις αρχές του αιώνα μας, όταν ο Μπέρτραντ Ράσελ βρήκε το αρχαίο ελληνικό παράδοξο στον πυρήνα της σύγχρονης θεωρίας συνόλων και λογικής. Σύμφωνα με το παλιό αίνιγμα, ένας Κρητικός ισχυρίζεται ότι όλοι οι Κρητικοί λένε ψέματα. Πας Κρης Ψεύτης: Άρα, λέει ψέματα; Αν λέει ψέματα, τότε λέει την αλήθεια και δεν λέει ψέματα. Αν δεν λέει ψέματα, τότε λέει την αλήθεια και άρα ψεύδεται. Και οι δύο περιπτώσεις οδηγούν σε αντίφαση, επειδή η πρόταση είναι ταυτόχρονα αληθής και ψευδής. Ο Russell βρήκε το ίδιο παράδοξο στη θεωρία συνόλων. Το σύνολο όλων των συνόλων είναι ένα σύνολο, άρα είναι μέλος του εαυτού του. Ωστόσο, το σύνολο όλων των μήλων δεν είναι μέλος του εαυτού του, επειδή τα μέλη του είναι μήλα και όχι σύνολα. Αντιλαμβανόμενος την υποκείμενη αντίφαση, ο Russell ρώτησε στη συνέχεια: «Είναι το σύνολο όλων των συνόλων που δεν είναι μέλη του εαυτού τους μέλος του εαυτού του;» Αν ναι, δεν είναι· αν δεν είναι, είναι.

Αντιμέτωπη με ένα τέτοιο αίνιγμα, η κλασική λογική παραδίδεται Αλλά η ασαφής λογική λέει ότι η απάντηση είναι μισή αληθής και μισή ψευδής, μια αναλογία 50-50. Το 50% των δηλώσεων του Κρητικού είναι αληθείς και το 50% ψευδείς. Ο Κρητικός ψεύδεται το 50% των περιπτώσεων και δεν ψεύδεται το άλλο μισό. Όταν η συμμετοχή είναι μικρότερη από το συνολικό, ένα δισθενές σύστημα μπορεί να απλοποιήσει το πρόβλημα στρογγυλοποιώντας το προς τα κάτω στο μηδέν ή μέχρι το 100%. Ωστόσο, το 50% δεν στρογγυλοποιεί προς τα πάνω ή προς τα κάτω.

Τη δεκαετία του 1920, ανεξάρτητα από τον Russell, ο Πολωνός λογικός Jan Wukasiewicz επεξεργάστηκε τις αρχές της πολυτιμικής λογικής, στην οποία οι δηλώσεις μπορούν να λάβουν κλασματικές τιμές αλήθειας μεταξύ των μονάδων και των μηδενικών της δυαδικής λογικής. Σε ένα άρθρο του 1937 στο Philosophy of Science, ο κβαντικός φιλόσοφος Max Black εφάρμοσε την πολυτιμική λογική σε λίστες ή σύνολα αντικειμένων και με αυτόν τον τρόπο σχεδίασε τις πρώτες καμπύλες ασαφών συνόλων. Ακολουθώντας το παράδειγμα του Russell, ο Black ονόμασε τα σύνολα «ασαφή».

Σχεδόν 30 χρόνια αργότερα, ο Lotfi A. Zadeh, τότε πρόεδρος του τμήματος ηλεκτρολόγων μηχανικών στο Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϊ, δημοσίευσε το “Fuzzy Sets”, μια ιστορική εργασία που έδωσε στον τομέα το όνομά του. Ο Zadeh εφάρμοσε τη λογική του Wukasiewicz σε κάθε αντικείμενο ενός συνόλου και ανέπτυξε μια πλήρη άλγεβρα για ασαφή σύνολα. Παρόλα αυτά, τα ασαφή σύνολα δεν χρησιμοποιήθηκαν μέχρι τα μέσα της δεκαετίας του 1970, όταν ο Ebrahim H. Mamdani του Queen Mary College στο Λονδίνο σχεδίασε έναν ασαφή ελεγκτή για μια ατμομηχανή. Έκτοτε, ο όρος “ασαφής λογική” έχει καταστεί γνωστός ως οποιοδήποτε μαθηματικό ή υπολογιστικό σύστημα που συλλογίζεται με ασαφή σύνολα.

Η ασαφής λογική βασίζεται σε κανόνες της μορφής «αν… τότε» που μετατρέπουν τις εισόδους σε εξόδους – ένα ασαφές σύνολο σε ένα άλλο. Ο ελεγκτής του κλιματιστικού ενός αυτοκινήτου μπορεί να περιλαμβάνει κανόνες όπως «Εάν η θερμοκρασία είναι χαμηλή, τότε ρυθμίστε την ταχύτητα του κινητήρα σε αργή» και «Εάν η θερμοκρασία είναι ακριβώς η σωστή, τότε ρυθμίστε την ταχύτητα του κινητήρα σε μέτρια». Οι θερμοκρασίες (κρύα, ακριβώς η σωστή) και οι ταχύτητες του κινητήρα (αργή, μέτρια) ονομάζουν ασαφή σύνολα και όχι συγκεκριμένες τιμές.

Για να κατασκευάσει ένα ασαφές σύστημα, ένας μηχανικός μπορεί να ξεκινήσει με ένα σύνολο ασαφών κανόνων από έναν ειδικό. Ένας μηχανικός μπορεί να ορίσει τους βαθμούς συμμετοχής σε διάφορα ασαφή σύνολα εισόδου και εξόδου με σύνολα καμπυλών. Η σχέση μεταξύ των συνόλων εισόδου και εξόδου θα μπορούσε στη συνέχεια να απεικονιστεί γραφικά. Δεδομένου του κανόνα «Εάν ο αέρας είναι δροσερός, τότε ρυθμίστε τον κινητήρα σε αργή», οι είσοδοι (θερμοκρασία) θα παρατίθεντο κατά μήκος ενός άξονα ενός γραφήματος και οι έξοδοι (ταχύτητα κινητήρα) κατά μήκος ενός δεύτερου άξονα. Το γινόμενο αυτών των ασαφών συνόλων σχηματίζει ένα ασαφές τμήμα, μια περιοχή που αντιπροσωπεύει το σύνολο όλων των συσχετίσεων που σχηματίζει ο κανόνας μεταξύ αυτών των εισόδων και εξόδων

Το μέγεθος του patch αντανακλά την ασάφεια ή την αβεβαιότητα του κανόνα. Όσο πιο ακριβές είναι το ασαφές σύνολο, τόσο μικρότερο γίνεται. Αν η θερμοκρασία “cool” είναι ακριβώς 19 βαθμοί Φαρενάιτ, το ασαφές σύνολο καταρρέει σε μια αιχμή. Αν τόσο το cool όσο και το slow fuzzy σύνολα είναι αιχμές, το patch του κανόνα είναι ένα σημείο.

Οι κανόνες ενός ασαφούς συστήματος ορίζουν ένα σύνολο επικαλυπτόμενων patch που συσχετίζουν ένα πλήρες εύρος εισόδων με ένα πλήρες εύρος εξόδων. Υπό αυτή την έννοια, το ασαφές σύστημα προσεγγίζει κάποια μαθηματική συνάρτηση ή εξίσωση αιτίας και αποτελέσματος. Αυτές οι συναρτήσεις μπορεί να είναι νόμοι που λένε σε έναν μικροεπεξεργαστή πώς να ρυθμίσει την ισχύ ενός κλιματιστικού ή την ταχύτητα ενός πλυντηρίου ρούχων σε απόκριση σε κάποια νέα μέτρηση.

Τα ασαφή συστήματα μπορούν να προσεγγίζουν οποιαδήποτε συνεχή μαθηματική συνάρτηση. Απέδειξα αυτό το θεώρημα ομοιόμορφης σύγκλισης δείχνοντας ότι αρκετά μικρά ασαφή patches μπορούν να καλύψουν επαρκώς το γράφημα οποιασδήποτε συνάρτησης ή σχέσης εισόδου/εξόδου. Το θεώρημα δείχνει επίσης ότι μπορούμε να επιλέξουμε εκ των προτέρων το μέγιστο σφάλμα της προσέγγισης και να είμαστε σίγουροι ότι υπάρχει ένας πεπερασμένος αριθμός ασαφών κανόνων που το επιτυγχάνουν. Ένα ασαφές σύστημα συλλογίζεται ή συνάγει συμπεράσματα με βάση τις ενημερώσεις κώδικα κανόνων του. Δύο ή περισσότεροι κανόνες μετατρέπουν οποιονδήποτε εισερχόμενο αριθμό σε κάποιο αποτέλεσμα επειδή οι ενημερώσεις κώδικα επικαλύπτονται. Όταν τα δεδομένα ενεργοποιούν τους κανόνες, οι επικαλυπτόμενες ενημερώσεις κώδικα ενεργοποιούνται παράλληλα – αλλά μόνο σε κάποιο βαθμό.

Φανταστείτε ένα ασαφές κλιματιστικό που βασίζεται σε πέντε κανόνες και επομένως σε πέντε ενημερώσεις κώδικα για να αντιστοιχίσει τις θερμοκρασίες με τις ταχύτητες του κινητήρα. Τα σύνολα θερμοκρασίας (κρύο, δροσερό, ακριβώς σωστό, ζεστό και ζεστό) καλύπτουν όλες τις πιθανές ασαφείς εισόδους. Τα σύνολα ταχύτητας του κινητήρα (πολύ αργή, αργή, μέτρια, γρήγορη και πολύ γρήγορη) περιγράφουν όλες τις ασαφείς εξόδους. Μια θερμοκρασία, ας πούμε, 19°C μπορεί να είναι 20% δροσερή (80% όχι δροσερή) και 70% ακριβώς σωστή (30% όχι ακριβώς σωστή). Ταυτόχρονα, ο αέρας είναι επίσης 0% κρύος, ζεστός και ζεστός. Οι κανόνες «αν είναι δροσερός» και «αν είναι ακριβώς σωστός» θα ενεργοποιηθούν και θα ενεργοποιήσουν τόσο την αργή όσο και την μεσαία ταχύτητα του κινητήρα.

Οι δύο κανόνες συμβάλλουν αναλογικά στην τελική ταχύτητα του κινητήρα. Επειδή η θερμοκρασία ήταν 20% δροσερή, η καμπύλη που περιγράφει την αργή ταχύτητα του κινητήρα πρέπει να συρρικνωθεί στο 20% του ύψους της. Η καμπύλη «μέτρια» πρέπει να συρρικνωθεί στο 70%. Το άθροισμα αυτών των δύο μειωμένων καμπυλών παράγει την τελική καμπύλη για το σύνολο ασαφούς εξόδου

Στην ασαφή της μορφή, μια τέτοια καμπύλη εξόδου δεν βοηθά τους ελεγκτές που ενεργούν με βάση δυαδικές εντολές. Έτσι, το τελικό βήμα είναι μια διαδικασία αποασαφοποίησης, στην οποία η ασαφής καμπύλη εξόδου μετατρέπεται σε μία μόνο αριθμητική τιμή. Η πιο συνηθισμένη τεχνική είναι ο υπολογισμός του κέντρου μάζας, ή κεντροειδούς, της περιοχής κάτω από την καμπύλη. Σε αυτήν την περίπτωση, το κεντροειδές της ασαφούς καμπύλης εξόδου μπορεί να αντιστοιχεί σε μια ταχύτητα κινητήρα 47 στροφών ανά λεπτό. Έτσι, ξεκινώντας με μια ποσοτική είσοδο θερμοκρασίας, ο ηλεκτρονικός ελεγκτής μπορεί να κάνει συλλογισμούς από ασαφή σύνολα θερμοκρασίας και ταχύτητας κινητήρα και να καταλήξει σε μια κατάλληλη και ακριβή έξοδο ταχύτητας.

Όλα τα ασαφή συστήματα συλλογίζονται με αυτήν την τεχνική «fire-and-sum» ή κάτι παρόμοιο. Καθώς τα συστήματα γίνονται πιο περίπλοκα, τα προηγούμενα των κανόνων μπορεί να περιλαμβάνουν οποιονδήποτε αριθμό όρων που συνδέονται με το «και» ή αποσυνδέονται με το «ή». Ένα προηγμένο ασαφές κλιματιστικό μπορεί να χρησιμοποιήσει έναν κανόνα που λέει: «Εάν ο αέρας είναι δροσερός και η υγρασία είναι υψηλή, τότε ρυθμίστε τον κινητήρα σε μέτρια».

Τα ασαφή προϊόντα χρησιμοποιούν μικροεπεξεργαστές που εκτελούν αλγόριθμους ασαφούς συμπερασμού και αισθητήρες που μετρούν τις μεταβαλλόμενες συνθήκες εισόδου. Τα ασαφή τσιπ είναι μικροεπεξεργαστές σχεδιασμένοι να αποθηκεύουν και να επεξεργάζονται ασαφείς κανόνες. Το 1985, οι Masaki Togai και Hiroyuki Watan-abe, οι οποίοι εργάζονταν τότε στα εργαστήρια AT&T Bell, κατασκεύασαν το πρώτο ψηφιακό ασαφές τσιπ. Επεξεργάστηκε 16 απλούς κανόνες σε 12,5 μικροδευτερόλεπτα, με ρυθμό 0,08 εκατομμυρίων ασαφών λογικών συμπερασμάτων ανά δευτερόλεπτο. Η Togai InfraLogic, Inc., προσφέρει πλέον τσιπ που βασίζονται σε υλικό Fuzzy Computational Acceleration που επεξεργάζεται έως και δύο εκατομμύρια κανόνες ανά δευτερόλεπτο. Οι περισσότερες εταιρείες μικροεπεξεργαστών έχουν επί του παρόντος ερευνητικά έργα ασαφών τσιπ. Τα ασαφή προϊόντα βασίζονται σε μεγάλο βαθμό σε τυπικούς μικροεπεξεργαστές που οι μηχανικοί έχουν προγραμματίσει με λίγες γραμμές κώδικα ασαφούς συμπερασμού. Αν και η αγορά για αποκλειστικά ασαφή τσιπ είναι ακόμα μικρή, η αξία των μικροεπεξεργαστών που περιλαμβάνουν ασαφή λογική υπερβαίνει ήδη το 1 δισεκατομμύριο δολάρια

Η πιο διάσημη ασαφής εφαρμογή είναι ο ελεγκτής βαγονιών του μετρό που χρησιμοποιείται στο Σεντάι, ο οποίος έχει ξεπεράσει σε απόδοση τόσο τους ανθρώπινους χειριστές όσο και τους συμβατικούς αυτοματοποιημένους ελεγκτές. Οι συμβατικοί ελεγκτές ξεκινούν ή σταματούν ένα τρένο αντιδρώντας σε δείκτες θέσης που δείχνουν πόσο μακριά βρίσκεται το όχημα από έναν σταθμό. Επειδή οι ελεγκτές είναι αυστηρά προγραμματισμένοι, η διαδρομή μπορεί να είναι σπασμωδική: ο αυτοματοποιημένος ελεγκτής θα εφαρμόσει την ίδια πίεση πέδησης όταν ένα τρένο βρίσκεται, ας πούμε, 100 μέτρα από έναν σταθμό, ακόμα κι αν το τρένο κινείται σε ανηφόρα ή κατηφόρα.

Στα μέσα της δεκαετίας του 1980, μηχανικοί της Hitachi χρησιμοποίησαν ασαφείς κανόνες για να επιταχύνουν, να επιβραδύνουν και να φρενάρουν τα τρένα του μετρό πιο ομαλά από ό,τι θα μπορούσε ένας επιδέξιος ανθρώπινος χειριστής. Οι κανόνες περιλάμβαναν ένα ευρύ φάσμα μεταβλητών σχετικά με τη συνεχή απόδοση του τρένου, όπως πόσο συχνά και κατά πόσο άλλαζε η ταχύτητά του και πόσο κοντά ήταν η πραγματική ταχύτητα στη μέγιστη ταχύτητα. Σε προσομοιωμένες δοκιμές, ο ασαφής ελεγκτής ξεπέρασε μια αυτοματοποιημένη έκδοση σε μετρήσεις άνεσης των επιβατών, μείωσε τους χρόνους οδήγησης και μάλιστα πέτυχε μείωση 10% στην κατανάλωση ενέργειας του τρένου. Σήμερα, το ασαφές σύστημα λειτουργεί το μετρό Σεντάι κατά τις ώρες αιχμής και λειτουργεί και ορισμένα τρένα του Τόκιο.

Οι άνθρωποι χειρίζονται το μετρό κατά τις ώρες εκτός αιχμής για να διατηρήσουν τις δεξιότητές τους

Εταιρείες στην Ιαπωνία και την Κορέα κατασκευάζουν μια σειρά από ασαφή καταναλωτικά αγαθά που προσφέρουν πιο ακριβή έλεγχο από τα συμβατικά. Τα ασαφή πλυντήρια ρούχων προσαρμόζουν τον κύκλο πλύσης σε κάθε σετ ρούχων, αλλάζοντας στρατηγικές καθώς τα ρούχα καθαρίζονται. Ένα ασαφές πλυντήριο ρούχων προσφέρει πιο λεπτό πλύσιμο από ένα «χαζό» πλυντήριο με σταθερές εντολές. Στο απλούστερο από αυτά τα πλυντήρια, ένας οπτικός αισθητήρας μετρά τη θολότητα ή τη διαύγεια του νερού πλύσης και ο ελεγκτής εκτιμά πόσο χρόνο θα χρειαζόταν ένας λεκές για να διαλυθεί ή να κορεστεί στο νερό πλύσης. Ορισμένα πλυντήρια χρησιμοποιούν έναν αισθητήρα φορτίου για να ενεργοποιήσουν αλλαγές στον ρυθμό ανάδευσης ή τη θερμοκρασία του νερού. Άλλα εκτοξεύουν φυσαλίδες στο πλύσιμο για να βοηθήσουν στη διάλυση της βρωμιάς και του απορρυπαντικού. Ένα πλυντήριο ρούχων μπορεί να χρησιμοποιήσει μόλις 10 ασαφείς κανόνες για να καθορίσει μια μεγάλη ποικιλία στρατηγικών πλύσης

Στις κάμερες και τις βιντεοκάμερες, η ασαφής λογική συνδέει τα δεδομένα εικόνας με διάφορες ρυθμίσεις φακού. Μία από τις πρώτες ασαφείς βιντεοκάμερες, η φορητή Canon H800, η ​​οποία παρουσιάστηκε το 1990, ρυθμίζει την αυτόματη εστίαση με βάση 13 ασαφείς κανόνες. Οι αισθητήρες μετρούν την καθαρότητα των εικόνων σε έξι περιοχές. Οι κανόνες καταλαμβάνουν περίπου ένα κιλομπάιτ μνήμης και μετατρέπουν τα δεδομένα του αισθητήρα σε νέες ρυθμίσεις φακού.

Η Matsushita βασίζεται σε περισσότερους κανόνες για να ακυρώσει το τρέμουλο της εικόνας που προκαλεί ένα τρέμουλο χεριού στις μικρές βιντεοκάμερες Panasonic. Οι ασαφείς κανόνες υπονοούν πού θα μετατοπιστεί η εικόνα. Οι κανόνες λαμβάνουν υπόψη τις τοπικές και καθολικές αλλαγές στην εικόνα και στη συνέχεια τις αντισταθμίζουν. Αντίθετα, οι ελεγκτές βιντεοκάμερας που βασίζονται σε μαθηματικά μοντέλα μπορούν να αντισταθμίσουν μόνο μερικούς τύπους τρεμουλιάσματος της εικόνας.

Τα συστήματα με ασαφείς ελεγκτές είναι συχνά πιο ενεργειακά αποδοτικά, επειδή υπολογίζουν με μεγαλύτερη ακρίβεια πόση ισχύς απαιτείται για να ολοκληρωθεί μια εργασία. Η Mitsubishi και η Samsung της Κορέας αναφέρουν ότι οι ασαφείς ηλεκτρικές σκούπες τους επιτυγχάνουν εξοικονόμηση ενέργειας άνω του 40% σε σχέση με τις μη ασαφείς ηλεκτρικές σκούπες. Τα ασαφή συστήματα χρησιμοποιούν διόδους εκπομπής υπέρυθρου φωτός για να μετρήσουν τις αλλαγές στη ροή σκόνης και έτσι να κρίνουν εάν ένα δάπεδο είναι γυμνό. Ένας μικροεπεξεργαστής τεσσάρων bit μετρά τη ροή σκόνης για να υπολογίσει την κατάλληλη ισχύ αναρρόφησης και άλλες ρυθμίσεις κενού.

Τα αυτοκίνητα επωφελούνται επίσης από την ασαφή λογική. Η General Motors χρησιμοποιεί ένα ασαφές κιβώτιο ταχυτήτων στο Saturn της. Η Nissan έχει κατοχυρώσει με δίπλωμα ευρεσιτεχνίας ένα ασαφές αντιολισθητικό σύστημα πέδησης, ένα ασαφές σύστημα μετάδοσης κίνησης και ένα ασαφές μπεκ ψεκασμού καυσίμου. Ένα σύνολο ασαφών κανόνων σε έναν ενσωματωμένο μικροεπεξεργαστή ρυθμίζει τη ροή καυσίμου. Οι αισθητήρες μετρούν τη ρύθμιση του γκαζιού, την πίεση της πολλαπλής, τη θερμοκρασία του νερού του ψυγείου και τις στροφές του κινητήρα ανά λεπτό. Ένα δεύτερο σύνολο ασαφών κανόνων χρονομετρά την ανάφλεξη του κινητήρα με βάση τις στροφές ανά λεπτό, τη θερμοκρασία του νερού και τη συγκέντρωση οξυγόνου

Ένα από τα πιο σύνθετα ασαφή συστήματα είναι ένα μοντέλο ελικοπτέρου, σχεδιασμένο από τον Michio Sugeno του Τεχνολογικού Ινστιτούτου του Τόκιο. Τέσσερα στοιχεία του σκάφους – ο ανελκυστήρας, το πηδάλιο κλίσης, το γκάζι και το πηδάλιο – ανταποκρίνονται σε 13 ασαφείς φωνητικές εντολές, όπως “πάνω”, “προσγείωση” και “αιώρηση”. Ο ασαφής ελεγκτής μπορεί να κάνει το σκάφος να αιωρείται στη θέση του, ένα δύσκολο έργο ακόμη και για ανθρώπινους πιλότους.

Μερικά ασαφή συστήματα διαχειρίζονται πληροφορίες αντί για συσκευές.

Με κανόνες ασαφούς λογικής, ο ιαπωνικός όμιλος Omron επιβλέπει πέντε βάσεις ιατρικών δεδομένων σε ένα σύστημα διαχείρισης υγείας για μεγάλες εταιρείες. Τα ασαφή συστήματα χρησιμοποιούν 500 κανόνες για τη διάγνωση της υγείας περίπου 10.000 ασθενών και για την εκπόνηση εξατομικευμένων σχεδίων που θα τους βοηθήσουν να αποτρέψουν ασθένειες, να παραμείνουν σε φόρμα και να μειώσουν το άγχος.

Άλλες εταιρείες, συμπεριλαμβανομένων των Hitachi και Yamaichi Securities, έχουν δημιουργήσει προγράμματα συναλλαγών για ομόλογα ή μετοχικά κεφάλαια που χρησιμοποιούν ασαφείς κανόνες για να αντιδρούν στις αλλαγές στα οικονομικά δεδομένα.

Η αχίλλειος πτέρνα ενός ασαφούς συστήματος είναι οι κανόνες του. Σχεδόν όλα τα ασαφή καταναλωτικά προϊόντα που κυκλοφορούν σήμερα στην αγορά βασίζονται σε κανόνες που παρέχονται από έναν ειδικό. Οι μηχανικοί στη συνέχεια εμπλέκονται σε μια μακρά διαδικασία ρύθμισης αυτών των κανόνων και των ασαφών συνόλων. Για να αυτοματοποιήσουν αυτήν τη διαδικασία, ορισμένοι μηχανικοί κατασκευάζουν προσαρμοστικά ασαφή συστήματα που χρησιμοποιούν νευρωνικά δίκτυα ή άλλα στατιστικά εργαλεία για να βελτιώσουν ή ακόμα και να διαμορφώσουν αυτούς τους αρχικούς κανόνες.

Τα νευρωνικά δίκτυα είναι συλλογές «νευρώνων» και «συνάψεων» που αλλάζουν τις τιμές τους σε απόκριση σε εισόδους από τους περιβάλλοντες νευρώνες και συνάψεις. Το νευρωνικό δίκτυο λειτουργεί σαν υπολογιστής επειδή αντιστοιχίζει εισόδους σε εξόδους. Οι νευρώνες και οι συνάψεις μπορεί να είναι στοιχεία πυριτίου ή εξισώσεις σε λογισμικό που προσομοιώνουν τη συμπεριφορά τους. Ένας νευρώνας προσθέτει όλα τα εισερχόμενα σήματα από άλλους νευρώνες και στη συνέχεια εκπέμπει τη δική του απόκριση με τη μορφή ενός αριθμού. Τα σήματα ταξιδεύουν στις συνάψεις, οι οποίες έχουν αριθμητικές τιμές που σταθμίζουν τη ροή των νευρωνικών σημάτων.

Όταν νέα δεδομένα εισόδου ενεργοποιούν τους νευρώνες ενός δικτύου, οι συναπτικές τιμές μπορούν να αλλάξουν ελαφρώς. Ένα νευρωνικό δίκτυο «μαθαίνει» όταν αλλάζει την τιμή των συνάψεών του

Ανάλογα με τα διαθέσιμα δεδομένα, τα δίκτυα μπορούν να μάθουν μοτίβα με ή χωρίς επίβλεψη. Ένα εποπτευόμενο δίκτυο μαθαίνει με δοκιμή και λάθος, καθοδηγούμενο από έναν δάσκαλο. Ένας άνθρωπος μπορεί να επισημάνει πότε το δίκτυο έχει κάνει λάθος – πότε έχει εκπέμψει μια απόκριση που διαφέρει από την επιθυμητή έξοδο. Ο δάσκαλος θα διορθώσει τις απαντήσεις σε δείγματα δεδομένων μέχρι το δίκτυο να ανταποκριθεί σωστά σε κάθε είσοδο.

Τα εποπτευόμενα δίκτυα ρυθμίζουν τους κανόνες ενός ασαφούς συστήματος σαν να ήταν συνάψεις. Ο χρήστης παρέχει το πρώτο σύνολο κανόνων, το οποίο το νευρωνικό δίκτυο βελτιώνει εκτελώντας εκατοντάδες χιλιάδες εισόδους, μεταβάλλοντας ελαφρώς τα ασαφή σύνολα κάθε φορά για να δει πόσο καλά αποδίδει το σύστημα. Το δίκτυο τείνει να διατηρεί τις αλλαγές που βελτιώνουν την απόδοση και να αγνοεί τις άλλες.

Μια χούφτα προϊόντα στην Ιαπωνία χρησιμοποιούν πλέον εποπτευόμενη νευρωνική μάθηση για να ρυθμίσουν τους ασαφείς κανόνες που ελέγχουν τη λειτουργία τους. Μεταξύ αυτών είναι ο φούρνος μικροκυμάτων της Sanyo και αρκετές εταιρείες πλυντηρίων ρούχων. Η Sharp χρησιμοποιεί αυτήν την τεχνική για να τροποποιήσει τους κανόνες του ασαφούς ψυγείου της, έτσι ώστε η συσκευή να μαθαίνει πόσο συχνά είναι πιθανό να ανοίξει την πόρτα ο πεινασμένος πελάτης της και να προσαρμόζει ανάλογα τον κύκλο ψύξης. Μέχρι στιγμής, το νευρωνικό δίκτυο πρέπει να μαθαίνει “εκτός σύνδεσης” στο εργαστήριο, από μικρά δείγματα συμπεριφοράς από μέσους πελάτες. Με την πάροδο του χρόνου, ερευνητές σε ομάδες όπως το Ιαπωνικό Εργαστήριο Διεθνούς Ασαφούς Μηχανικής και το Ινστιτούτο Ασαφών Λογικών Συστημάτων ελπίζουν να κατασκευάσουν ασαφή συστήματα που θα προσαρμόζονται στις ανάγκες κάθε καταναλωτή.

Τα εποπτευόμενα δίκτυα έχουν μειονεκτήματα. Η ρύθμιση τέτοιων συστημάτων μπορεί να διαρκέσει ώρες ή ημέρες υπολογιστικού χρόνου, επειδή τα δίκτυα ενδέχεται να συγκλίνουν σε μια ακατάλληλη λύση ή κανόνα ή μπορεί να μην συγκλίνουν καθόλου. Οι νευρωνικοί ερευνητές έχουν προτείνει εκατοντάδες σχέδια για την αντιμετώπιση αυτού του προβλήματος, αλλά κανένα δεν το έχει εξαλείψει. Ακόμα και μετά από μια μακρά συνεδρία ρύθμισης, οι τελικοί κανόνες μπορεί να μην είναι πολύ καλύτεροι από το πρώτο σύνολο

Αντί να βασίζονται σε έναν ειδικό για την παροχή ενός συνόλου δεδομένων εκπαίδευσης και τη διόρθωση ενός δικτύου κατά τη διαδικασία μάθησης, τα μη επιβλεπόμενα νευρωνικά δίκτυα μαθαίνουν απλώς παρατηρώντας τις αποφάσεις ενός ειδικού. Με αυτόν τον τρόπο, ένα προσαρμοστικό ασαφές σύστημα μπορεί να μάθει να εντοπίζει μοτίβα κανόνων στα εισερχόμενα δεδομένα. Ευρείες ενημερώσεις κανόνων σχηματίζονται γρήγορα, με βάση λίγες εισόδους. Αυτές οι ενημερώσεις βελτιώνονται με την πάροδο του χρόνου.

Τα μη επιβλεπόμενα νευρωνικά δίκτυα ομαδοποιούν τυφλά τα δεδομένα σε ομάδες, τα μέλη των οποίων μοιάζουν μεταξύ τους. Μπορεί να μην υπάρχει δεδομένη σωστή ή λάθος απάντηση ή τρόπος οργάνωσης των δεδομένων. Οι αλγόριθμοι είναι απλούστεροι και, τουλάχιστον θεωρητικά, το δίκτυο χρειάζεται να επεξεργάζεται τα δεδομένα μόνο μία φορά. (Σε ορισμένες περιπτώσεις, όταν τα δεδομένα είναι αραιά, το νευρωνικό δίκτυο πρέπει να τα επεξεργάζεται επανειλημμένα.) Η μη επιβλεπόμενη μάθηση είναι επομένως πολύ πιο γρήγορη από την επιβλεπόμενη μάθηση. Με αριθμητικές εισόδους και εξόδους που παρέχονται από έναν ειδικό ή μια φυσική διαδικασία ή ακόμα και έναν αλγόριθμο, ένα μη επιβλεπόμενο νευρωνικό δίκτυο μπορεί να βρει το πρώτο σύνολο κανόνων για ένα ασαφές σύστημα. Η ποιότητα των κανόνων εξαρτάται από την ποιότητα των δεδομένων και, επομένως, τις δεξιότητες του ειδικού που τα παράγει. Σε αυτό το σημείο, υπάρχουν λιγότερα μη επιβλεπόμενα από τα επιβλεπόμενα προσαρμοστικά ασαφή συστήματα. Επειδή τα μη επιβλεπόμενα δίκτυα χρησιμοποιούνται καλύτερα για τη δημιουργία κανόνων και τα επιβλεπόμενα δίκτυα είναι καλύτερα στη βελτίωση τους, τα υβριδικά προσαρμοστικά ασαφή συστήματα περιλαμβάνουν και τα δύο.

Τα περισσότερα ασαφή συστήματα ήταν συστήματα ελέγχου με λίγες μεταβλητές. Αυτή η τάση προέκυψε επειδή οι περισσότεροι από τους πρώτους μηχανικούς ασαφούς λογικής ήταν θεωρητικοί ελέγχου και επειδή ένας βρόχος ελέγχου ρυθμίζει τα περισσότερα καταναλωτικά προϊόντα. Η πρόκληση για την επόμενη γενιά ασαφούς έρευνας θα είναι η αντιμετώπιση μεγάλης κλίμακας, μη γραμμικών συστημάτων με πολλές μεταβλητές. Αυτά τα προβλήματα μπορεί να προκύψουν όταν οι άνθρωποι προσπαθούν να επιβλέπουν εργοστάσια παραγωγής ή να προγραμματίζουν αεροπορικές πτήσεις ή να μοντελοποιούν την οικονομία. Κανένας ειδικός μπορεί να μην είναι σε θέση να περιγράψει τέτοια συστήματα. Η κοινή λογική μπορεί να αποτύχει ή να μην εφαρμοστεί. Τα νευρωνικά δίκτυα που πρέπει να μάθουν τους κανόνες για τη μοντελοποίηση αυτών των δύσκολων προβλημάτων μπορεί να έχουν λίγα ή καθόλου δεδομένα

Ένα περαιτέρω πρόβλημα είναι ότι, όπως κάθε άλλο μαθηματικό ή υπολογιστικό μοντέλο, η ασαφής λογική πέφτει θύμα της «κατάρας της διαστατικότητας»: ο αριθμός των ασαφών κανόνων τείνει να αυξάνεται εκθετικά καθώς αυξάνεται ο αριθμός των μεταβλητών του συστήματος. Τα ασαφή συστήματα πρέπει να αντιμετωπίσουν μια αντιστάθμιση. Τα μεγάλα μπαλώματα κανόνων σημαίνουν ότι το σύστημα είναι πιο διαχειρίσιμο αλλά και λιγότερο ακριβές.

Ακόμα και με αυτή την αντιστάθμιση, η ασαφής λογική μπορεί συχνά να μοντελοποιήσει καλύτερα την ασάφεια του κόσμου από ό,τι οι ασπρόμαυρες έννοιες της θεωρίας συνόλων. Για αυτόν τον λόγο, τα συστήματα ασαφούς λογικής μπορεί κάλλιστα να βρουν τον δρόμο τους σε έναν συνεχώς αυξανόμενο αριθμό υπολογιστών, οικιακών συσκευών και θεωρητικών μοντέλων. Ο επόμενος αιώνας μπορεί να είναι πιο ασαφής από ό,τι νομίζουμε.

3-Ευφυείς Μεσολαβητές και Περιβάλλοντα 

Αυτό το άρθρο αφορά τους ευφυείς μεσολαβητές. Οι ευφυείς μεσολαβητές (agents) έχουν ερευνηθεί λεπτομερώς. Έχουν εξεταστεί επίσης οι διάφοροι τύποι περιβαλλόντων (environments) στα οποία δρουν αυτοί.

Τι είναι ένας Μεσολαβητής Τεχνητής Νοημοσύνης; (Artificial Intelligence Agent);

Ένα σύστημα τεχνητής νοημοσύνης αποτελείται τόσο από τον μεσολαβητή (agent) όσο και από το περιβάλλον (environment). Κάθε ΑΙ-agent δρα στο δικό του περιβάλλον και αυτό το περιβάλλον μπορεί να έχει και άλλους μεσολαβητές (agents).

Ένας μεσολαβητής αναφέρεται σε οτιδήποτε είναι ικανό να αντιλαμβάνεται από το περιβάλλον του μέσω αισθητήρων και να δρα στο ίδιο περιβάλλον μέσω τελεστών. Για παράδειγμα, ένας ανθρώπινος έχει αισθητήρια όργανα όπως αυτιά, μάτια, γλώσσα, μύτη και όργανα που είναι παράλληλα με τους αισθητήρες, όπως το δέρμα, τα χέρια, τα πόδια κ.λπ. Ένας ρομποτικός έχει μια κάμερα και υπέρυθρους ανιχνευτές απόστασης ως αισθητήρες και κινητήρες και ενεργοποιητές ως τελεστές.

Τύποι Μεσολαβητών (Agents) Τεχνητής Νοημοσύνης

Οι μεσολαβητές (agents) Τεχνητής Νοημοσύνης μπορούν να ομαδοποιηθούν σε πέντε κατηγορίες με βάση τον βαθμό αντιληπτής νοημοσύνης και ικανότητάς τους. Όλοι αυτοί οι μεσολαβητές (agents) είναι ικανοί να επιδεικνύουν βελτίωση στην απόδοση με την πάροδο του χρόνου και να λαμβάνουν καλύτερες αποφάσεις. Οι μεσολαβητές (agents) κατηγοριοποιούνται ως εξής:

• Απλός Ανακλαστικός μεσολαβητής (Simple Reflex Agent).
• Ανακλαστικός μεσολαβητής βασισμένος σε μοντέλο (Mondel-Based Reflex Agent).
• Μεσολαβητές βασισμένοι σε στόχο (Goal-Based Agents).
• Μεσολαβητής βασισμένος σε χρησιμότητα (Utility-Based Agents).
• Μεσολαβητής μάθησης (Learning-Agent).

Ας τα συζητήσουμε ένα προς ένα:

1. Απλός Αντανακλαστικός Μεσολαβητής (Simple Reflex Agent).

Αυτές είναι οι απλούστερες μορφές agents. Οι αποφάσεις τους βασίζονται στις τρέχουσες αντιλήψεις και αγνοούν το ιστορικό των αντιλήψεων.

Αυτοί οι τύποι agents μπορούν να επιβιώσουν μόνο σε ένα πλήρως παρατηρήσιμο περιβάλλον. Ωστόσο, κατά τη λήψη αποφάσεων ή την ανάληψη ενεργειών, δεν λαμβάνουν υπόψη το ιστορικό των αντιλήψεων. Λειτουργούν με βάση τον κανόνα συνθήκης-δράσης, που σημαίνει ότι απλώς αντιστοιχίζουν την τρέχουσα κατάσταση στην αντίστοιχη ενέργειά τους.

Οι απλοί αντανακλαστικοί agents έχουν πολύ περιορισμένη γνώση και δεν προσαρμόζονται στο περιβάλλον. Είναι επίσης πολύ μεγάλοι για να δημιουργηθούν και να αποθηκευτούν. Αυτό συμβαίνει επειδή πρέπει να δημιουργήσουμε συνθήκες και τις αντίστοιχες ενέργειές τους.

2. Αντανακλαστικοί Μεσολαβητές που βασίζονται σε μοντέλα (Mondel-Based Reflex Agent).

Αυτός ο τύπος agent είναι ικανός να εργάζεται σε ένα μερικώς παρατηρήσιμο περιβάλλον και να παρακολουθεί την κατάσταση. Ο αντανακλαστικός agent που βασίζεται σε μοντέλα αποτελείται από τους ακόλουθους δύο σημαντικούς παράγοντες:

• Μοντέλο – Αυτή είναι η γνώση σχετικά με το πώς γίνονται τα πράγματα στον κόσμο, επομένως, αναφέρεται ως μεσολαβητής – agent που βασίζεται σε μοντέλα.
• Εσωτερική κατάσταση – αυτή αντιπροσωπεύει την εσωτερική κατάσταση που βασίζεται στο ιστορικό των αντιλήψεων.

Οι agents έχουν ένα μοντέλο που αντιπροσωπεύει τη γνώση του κόσμου. Οι ενέργειες εκτελούνται με βάση αυτό το μοντέλο. Για να ενημερωθεί η κατάσταση του μεσολαβητή, απαιτούνται οι ακόλουθες πληροφορίες:

• Πώς εξελίσσεται ο κόσμος.
• Η επίδραση των ενεργειών του agent στον κόσμο.

3. Μεσολαβητές που βασίζονται σε στόχους (Goal-Based Agents).

Η γνώση σχετικά με την τρέχουσα κατάσταση του περιβάλλοντος δεν είναι αρκετή για να αποφασίσει ένας agent τι θα κάνει. Ο agent θα πρέπει να γνωρίζει τον στόχο του, ο οποίος δηλώνει τις επιθυμητές καταστάσεις του.

Ένας agent που βασίζεται σε στόχους επεκτείνει την ικανότητα ενός agent που βασίζεται σε μοντέλα, συμπεριλαμβάνοντας τις πληροφορίες στόχου. Επιλέγει την ενέργεια που θα εκτελέσει με βάση την ανάγκη επίτευξης ενός στόχου.

Σε ορισμένες περιπτώσεις, αυτοί οι τύποι agents πρέπει να αξιολογήσουν μια μακρά ακολουθία ενεργειών, ώστε να γνωρίζουν εάν ένας στόχος θα επιτευχθεί ή όχι. Πρέπει να ληφθούν υπόψη διαφορετικά σενάρια, και αυτή η διαδικασία είναι γνωστή ως αναζήτηση και σχεδιασμός και καθιστά έναν agent προληπτικό.

4. Μεσολαβητές που βασίζονται στη χρησιμότητα (Utility-Based Agents).

Αυτοί οι τύποι μεσολαβητών (Utility-Based Agents) είναι παρόμοιοι με τους Model Based Agents, αλλά παρέχουν ένα επιπλέον στοιχείο μέτρησης της χρησιμότητας. Αυτό τους καθιστά μοναδικούς, καθώς έχουν έναν τρόπο μέτρησης της επιτυχίας σε οποιαδήποτε δεδομένη κατάσταση.

Αυτό σημαίνει ότι οι μεσολαβητές – agents που βασίζονται στη χρησιμότητα βασίζουν τις ενέργειές τους στο πώς να επιτευχθεί ένας στόχος, καθώς και στον καλύτερο τρόπο επίτευξης του στόχου. Είναι καλό να κατηγοριοποιούμε τον μεσολαβητή – agent όταν υπάρχουν πολλές εναλλακτικές λύσεις και ο agent πρέπει να κάνει μια επιλογή για να εκτελέσει την καλύτερη ενέργεια. Η συνάρτηση χρησιμότητας λειτουργεί αντιστοιχίζοντας κάθε κατάσταση σε έναν πραγματικό αριθμό, προκειμένου να ελέγξει πόσο αποτελεσματικά κάθε ενέργεια επιτυγχάνει τον στόχο.

5. Μεσολαβητές Μάθησης (Learning-Agent).

Στην τεχνητή νοημοσύνη, ένας Learning-Agent αναφέρεται σε έναν agent ικανό να μαθαίνει από την εμπειρία του ή έχει μαθησιακές ικανότητες. Ο μεσολαβητής αρχίζει να ενεργεί με βάση βασικές γνώσεις και στη συνέχεια αρχίζει να μαθαίνει και να ενεργεί με βάση τη μάθηση. Αποτελείται από τα ακόλουθα εννοιολογικά στοιχεία:

• Στοιχείο μάθησης – αυτό είναι το στοιχείο που είναι υπεύθυνο για την επίτευξη βελτιώσεων μαθαίνοντας από το περιβάλλον.
• Στοιχείο Κρίσεως – Το στοιχείο μάθησης πρέπει να λαμβάνει ανατροφοδότηση μέσω κρίσης, το οποίο είναι το στοιχείο που λέει πόσο καλά τα πάει το στοιχείο σε σχέση με ένα συγκεκριμένο καθορισμένο πρότυπο απόδοσης.
• Στοιχείο Απόδοσης – αυτό είναι το στοιχείο που επιλέγει την εξωτερική δράση.
• Γεννήτρια Προβλημάτων (Problem Generator) – αυτό είναι το στοιχείο που προτείνει ενέργειες που μπορούν να δημιουργήσουν νέες εμπειρίες.

Από την παραπάνω συζήτηση, είναι πολύ σαφές ότι οι μαθησιακοί μεσολαβητές (agents) μπορούν να τρέχουν, να αναλύουν την απόδοσή τους και να βρίσκουν νέους τρόπους για να βελτιώσουν την απόδοσή τους.

Περιβάλλον Μεσολαβητή

Ένα περιβάλλον αναφέρεται σε οτιδήποτε στον κόσμο περιβάλλει έναν agent, αλλά δεν αποτελεί μέρος του. Ένα περιβάλλον είναι μια κατάσταση στην οποία ένας agent είναι παρών. Είναι το μέρος όπου ζει, που λειτουργεί και παρέχει σ’ αυτόν κάτι για να αισθανθεί και να ενεργήσει. Ακολουθούν τα χαρακτηριστικά των περιβαλλόντων των agents:

1. Πλήρως παρατηρήσιμο έναντι (vs) Μερικώς παρατηρήσιμο

2. Στατικό έναντι (vs) Δυναμικό

3. Διακριτό έναντι (vs)vs Συνεχές

4. Ντετερμινιστικό έναντι (vs) Στοχαστικό

5. Single-agent έναντι (vs) Multi-agent

6. Επεισοδιακό έναντι (vs) Διαδοχικού

7. Γνωστό έναντι (vs) Άγνωστο

8. Προσβάσιμο έναντι (vs) Μη Προσβάσιμο

Ας τα συζητήσουμε ένα προς ένα:

1. Πλήρως παρατηρήσιμο vs Μερικώς παρατηρήσιμο

Ένα πλήρως παρατηρήσιμο περιβάλλον είναι αυτό στο οποίο ένας μεσολαβητής – agent μπορεί να έχει πρόσβαση ή να αντιλαμβάνεται την πλήρη κατάσταση του περιβάλλοντος σε κάθε χρονική στιγμή. Διαφορετικά, το περιβάλλον είναι μερικώς παρατηρήσιμο.

Ένα πλήρως παρατηρήσιμο περιβάλλον είναι εύκολο, καθώς δεν υπάρχει ανάγκη να διατηρείται η εσωτερική κατάσταση και να παρακολουθείται το ιστορικό του κόσμου.

Εάν ένας agent δεν έχει αισθητήρες σε όλα τα περιβάλλοντα, το περιβάλλον λέγεται μη παρατηρήσιμο.

2. Ντετερμινιστικό  έναντι (vs) Στοχαστικού

Ένα ντετερμινιστικό περιβάλλον είναι αυτό στο οποίο η τρέχουσα κατάσταση  και η επιλεγμένη ενέργεια ενός agent μπορεί να καθορίσει πλήρως την αρχική κατάσταση του περιβάλλοντος.

Αυτό δεν ισχύει για ένα στοχαστικό περιβάλλον, καθώς είναι τυχαίο και δεν εξαρτάται πλήρως από έναν agent.

Εάν το περιβάλλον είναι ντετερμινιστικό και πλήρως παρατηρήσιμο, ο agent δεν χρειάζεται να ανησυχεί για την αβεβαιότητα.

3. Επεισοδιακό έναντι (vs) Διαδοχικού

Ένα επεισοδιακό περιβάλλον αποτελείται από μια σειρά από μεμονωμένες ενέργειες και ο agent χρειάζεται μόνο την τρέχουσα αντίληψη για την ενέργεια.

Σε ένα διαδοχικό περιβάλλον, ο agent χρειάζεται τη μνήμη των προηγούμενων ενεργειών του για να καθορίσει τις επόμενες ενέργειές του.

4. Single-agent  έναντι (vs) Multi-agent

Ένα περιβάλλον ενός agent είναι αυτό στο οποίο έχουμε μόνο έναν agent που λειτουργεί μόνος του.

Ένα περιβάλλον πολλαπλών agents είναι αυτό στο οποίο έχουμε πολλαπλούς agents που λειτουργούν στο περιβάλλον.

Τα προβλήματα σχεδιασμού agents είναι διαφορετικά στα δύο περιβάλλοντα.

5. Στατικό έναντι (vs) Δυναμικό

Ένα δυναμικό περιβάλλον είναι αυτό που μπορεί να αλλάξει τον εαυτό του ενώ ο agent συζητά. Διαφορετικά, το περιβάλλον αναφέρεται ως στατικό

Είναι εύκολο να αντιμετωπίσετε στατικά περιβάλλοντα, επειδή ένας agent δεν απαιτείται να κοιτάζει ή να παρατηρεί το περιβάλλον κατά την επιλογή μιας ενέργειας.

Ωστόσο, στην περίπτωση δυναμικών περιβαλλόντων, ο agent θα πρέπει να συνεχίζει να κοιτάζει το περιβάλλον σε κάθε ενέργεια.

Ένα παράδειγμα στατικού περιβάλλοντος είναι το σταυρόλεξο. Ένα παράδειγμα δυναμικού περιβάλλοντος είναι η οδήγηση ταξί.

6. Διακριτό έναντι (vs) Συνεχές

Ένα διακριτό περιβάλλον είναι ένα περιβάλλον στο οποίο υπάρχει ένας πεπερασμένος αριθμός αντιλήψεων και ενεργειών που μπορούν να εκτελεστούν μέσα σε αυτό. Διαφορετικά, ονομάζεται συνεχές περιβάλλον.

Για παράδειγμα, ένα παιχνίδι σκακιού είναι ένα παράδειγμα διακριτού περιβάλλοντος, καθώς υπάρχει μόνο ένας πεπερασμένος αριθμός κινήσεων που μπορούμε να κάνουμε.

Ωστόσο, ένα αυτόνομο αυτοκίνητο είναι ένα καλό παράδειγμα συνεχούς περιβάλλοντος.

7. Γνωστό έναντι (vs) Άγνωστο

Αυτά τα δύο δεν είναι χαρακτηριστικά του περιβάλλοντος, αλλά αναφέρονται στην κατάσταση γνώσης του agent για την εκτέλεση μιας συγκεκριμένης ενέργειας.

Σε ένα γνωστό περιβάλλον, ο μεσολαβητής – agent γνωρίζει τα αποτελέσματα κάθε ενέργειας. Σε ένα άγνωστο περιβάλλον, ο agent αναμένεται να μάθει πώς να εργάζεται για να εκτελέσει μια ενέργεια.

Είναι πιθανό ένα γνωστό περιβάλλον να είναι μερικώς παρατηρήσιμο και ένα άγνωστο περιβάλλον να είναι πλήρως παρατηρήσιμο.

8. Προσβάσιμο έναντι (vs) Μη Προσβάσιμο

Ένα προσβάσιμο περιβάλλον είναι αυτό στο οποίο ένας μεσολαβητής – agent είναι ικανός να λάβει πλήρεις και ακριβείς πληροφορίες σχετικά με την κατάσταση του περιβάλλοντος. Διαφορετικά, το περιβάλλον είναι γνωστό ως μη προσβάσιμο.

Ένα καλό παράδειγμα προσβάσιμου περιβάλλοντος είναι ένα άδειο δωμάτιο του οποίου την κατάσταση μπορούμε να ορίσουμε από τη θερμοκρασία του

Ένα καλό παράδειγμα ενός μη προσβάσιμου περιβάλλοντος είναι οι πληροφορίες σχετικά με ένα συμβάν στη Γη.

Συμπέρασμα

• Ένα σύστημα τεχνητής νοημοσύνης αποτελείται τόσο από τον μεσολαβητή – agent όσο και από το περιβάλλον environment.
• Κάθε ευφυής agent ενεργεί στο δικό του περιβάλλον και το περιβάλλον μπορεί να έχει και άλλους agents.
• Οι ευφυείς agents αντιλαμβάνονται το περιβάλλον τους μέσω αισθητήρων και δρουν στο ίδιο περιβάλλον μέσω τελεστών.
• Οι Μεσολαβητές (Agents) Τεχνητής Νοημοσύνης κατηγοριοποιούνται σε πέντε κατηγορίες ανάλογα με τον βαθμό αντιληπτής νοημοσύνης και ικανότητάς τους.
• Ένας απλός αντανακλαστικός μεσολαβητής είναι η απλούστερη μορφή ενός ευφυούς μεσολαβητή.
• Ένα περιβάλλον μεσολαβητή είναι οτιδήποτε στον κόσμο περιβάλλει έναν μεσολαβητή, αλλά δεν αποτελεί μέρος του.
• Τα περιβάλλοντα των μεσολαβητών παρουσιάζει διαφορετικά χαρακτηριστικά.

2-Ευφυή Συστήματα

Αυτό το άρθρο αφορά στους ευφυείς μεσολαβητές (inteligent agents). Θα περιγράψουμε τι είναι και πού εφαρμόζονται. Θα γνωρίσουμε επίσης τις προκλήσεις που αντιμετωπίζουν οι ευφυείς αυτοί agents όταν λειτουργούν στο περιβάλλον τους.

Τι είναι τα Ευφυή Συστήματα;

Τα ευφυή συστήματα είναι μηχανές τεχνολογικά προηγμένες ώστε να αντιλαμβάνονται και να ανταποκρίνονται στο περιβάλλον τους. Τα ευφυή συστήματα έχουν φέρει επανάσταση σε διάφορους κλάδους όπως η ασφάλεια, η κατασκευή, οι μεταφορές και η εφοδιαστική. Έχουν βοηθήσει στη βελτίωση της ποιότητας, της ενεργειακής απόδοσης και της ευελιξίας των συστημάτων.

Ένας από τους τρόπους με τους οποίους τα ευφυή συστήματα αντιλαμβάνονται το περιβάλλον τους είναι μέσω της όρασης. Η μελέτη του πώς οι υπολογιστές μπορούν να ερμηνεύσουν τις οπτικές πληροφορίες ξεκίνησε τη δεκαετία του 1950. Έκτοτε, έχει γίνει μια πολύ ισχυρή τεχνολογία και έχει εφαρμοστεί σε εμπορικούς, βιομηχανικούς και κυβερνητικούς τομείς. Μερικοί από τους παράγοντες που έχουν συμβάλει σε αυτήν την ανάπτυξη περιλαμβάνουν τη βελτιωμένη ταχύτητα του επεξεργασίας πληροφοριών, τους προηγμένους αλγόριθμους και την αυξημένη χωρητικότητα μνήμης.

Ο τομέας των ευφυών συστημάτων ασχολείται επίσης με τη μελέτη του τρόπου με τον οποίο τα συστήματα αλληλεπιδρούν με τους ανθρώπους για να επιφέρουν αλλαγές στο δυναμικό κοινωνικό και φυσικό περιβάλλον. Τα πρώτα ρομπότ είχαν πολύ μικρή αυτονομία στη λήψη αποφάσεων, δηλαδή υπέθεταν ότι ο κόσμος είναι προβλέψιμος και βασίζονταν στις ίδιες ενέργειες επανειλημμένα υπό παρόμοιες συνθήκες.

Εφαρμογές των Ευφυών Συστημάτων

Τα ευφυή συστήματα εφαρμόζονται στους ακόλουθους τομείς:

• Αυτοματισμός εργοστασίων
• Υποστηρικτική ρομποτική
• Ρομποτική πεδίου και υπηρεσίας
• Στρατιωτικές εφαρμογές
• Εκπαίδευση
• Ψυχαγωγία
• Ιατρική περίθαλψη
• Οπτική επιθεώρηση
• Αναγνώριση χαρακτήρα
• Οπτική επιτήρηση
• Ανθρώπινη ταυτοποίηση με βιομετρικές μεθόδους όπως το πρόσωπο, η ίριδα, το δακτυλικό αποτύπωμα, το χέρι.
• Ευφυείς μεταφορές.

Προκλήσεις που αντιμετωπίζουν τα Ευφυή Συστήματα

Υπάρχουν ορισμένες προκλήσεις που αντιμετωπίζουν τα ευφυή συστήματα.

Αυτές περιλαμβάνουν τις ακόλουθες:

1. Αβεβαιότητα – Οι φυσικοί αισθητήρες/ενεργοποιητές παρέχουν μόνο περιορισμένες, ανακριβείς και θορυβώδεις πληροφορίες/ενέργειες. Αυτό σημαίνει ότι ορισμένες από τις ενέργειες που λαμβάνει το σύστημα μπορεί να είναι ανακριβείς ως αποτέλεσμα του θορύβου στους αισθητήρες και των περιορισμών κατά την εκτέλεση των ενεργειών.

2. Δυναμικό κόσμο – ο κόσμος στον οποίο ζούμε αλλάζει δυναμικά. Αυτό σημαίνει ότι οι αποφάσεις πρέπει να λαμβάνονται σε γρήγορες χρονικές κλίμακες, ώστε να μπορούν να ληφθούν υπόψη οι αλλαγές στο περιβάλλον.

3. Χρονοβόρους υπολογισμούς – η διαδικασία αναζήτησης της βέλτιστης διαδρομής που οδηγεί στον στόχο περιλαμβάνει μια εκτεταμένη αναζήτηση που γίνεται σε έναν μεγάλο χώρο. Πρόκειται για μια υπολογιστικά δαπανηρή διαδικασία. Αυτό δημιουργεί μια πρόκληση, καθώς ο δυναμικός κόσμος μπορεί να αλλάξει κατά τη διάρκεια του υπολογισμού και το υπολογισμένο αποτέλεσμα μπορεί να είναι άχρηστο.

4. Χαρτογράφηση – πολλές πληροφορίες χάνονται κατά τη μετατροπή από έναν τρισδιάστατο σε έναν δισδιάστατο κόσμο. Η υπολογιστική όραση πρέπει να αντιμετωπίσει προβλήματα όπως οι αλλαγές στην προοπτική της όρασης, θόρυβος ή κίνηση φόντου, φωτισμός και κλίμακα, και ομαδοποιήσεις αντικειμένων με βάση την ενδοκλασική/διακλαδική διακύμανση.

Συμπέρασμα

• Τα ευφυή συστήματα είναι μηχανές τεχνολογικά προηγμένες ώστε να αντιλαμβάνονται και να ανταποκρίνονται στο περιβάλλον τους.
• Αρκετοί τομείς, όπως η ασφάλεια και η κατασκευή, έχουν επωφεληθεί πολύ από τα ευφυή συστήματα.
• Τα ευφυή συστήματα αντιλαμβάνονται το περιβάλλον τους χρησιμοποιώντας αισθητήρες και ενεργούν στο ίδιο περιβάλλον μέσω τελεστών.
• Τα ευφυή συστήματα εφαρμόζονται σε μια μεγάλη ποικιλία βιομηχανιών, συμπεριλαμβανομένων των μεταφορών, της ασφάλειας, της κατασκευής και άλλων, της υγειονομικής περίθαλψης.
• Μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν τα ευφυή συστήματα είναι η δυναμική φύση του περιβάλλοντος στο οποίο ενεργούν.

1-Βασικά στοιχεία της Τεχνητής Νοημοσύνης

Σε αυτό άρθρο, θα συζητηθούν τα βασικά της τεχνητής νοημοσύνης. Θα μάθουμε τι είναι η τεχνητή νοημοσύνη και πού εφαρμόζεται. Θα γνωρίσουμε επίσης τα διάφορα συστατικά της.

Τι είναι η Τεχνητή Νοημοσύνη;

Η τεχνητή νοημοσύνη αποτελείται από δύο λέξεις, την τεχνητή και την νοημοσύνη. Η λέξη τεχνητή σημαίνει ανθρώπινο δημιούργημα (man made), ενώ η λέξη νοημοσύνη σημαίνει δυνατότητα (ισχύ) σκέψης. Από αυτό, μπορούμε να πούμε ότι η τεχνητή νοημοσύνη είναι η ανθρωπογενής δύναμη σκέψης.

Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με την ανάπτυξη υπολογιστών ή μηχανών που είναι τόσο νοήμονες όσο οι άνθρωποι. Η τεχνητή νοημοσύνη περιλαμβάνει τη μελέτη του τρόπου με τον οποίο σκέφτεται ο ανθρώπινος εγκέφαλος, του τρόπου με τον οποίο οι άνθρωποι μαθαίνουν, λαμβάνουν αποφάσεις και εργάζονται κατά την επίλυση προβλημάτων. Τα αποτελέσματα μιας τέτοιας μελέτης χρησιμοποιούνται στη συνέχεια για την ανάπτυξη ισχυρού (με υπολογιστική ισχύ) λογισμικού και συστημάτων.

Λέμε ότι έχουμε τεχνητή νοημοσύνη όταν έχουμε μια μηχανή που παρουσιάζει ανθρώπινα χαρακτηριστικά, όπως συλλογιστική, μάθηση και επίλυση προβλημάτων. Στην τεχνητή νοημοσύνη, μια μηχανή δεν χρειάζεται να είναι προγραμματισμένη εκ των προτέρων για να εκτελέσει κάποια εργασία, αλλά μπορεί κανείς να δημιουργήσει μια μηχανή με προγραμματισμένους αλγόριθμους που λειτουργούν με βάση τη δική της νοημοσύνη

Με την τεχνητή νοημοσύνη, μπορούμε να δημιουργήσουμε λογισμικό και συσκευές ικανές να λύσουν προβλήματα του πραγματικού κόσμου, όπως η κυκλοφορία, η υγεία και το μάρκετινγκ, εύκολα και με υψηλό βαθμό ακρίβειας. Η τεχνητή νοημοσύνη έχει χρησιμοποιηθεί για την ανάπτυξη ρομπότ που μπορούν να λειτουργούν σε περιβάλλοντα που είναι επικίνδυνα για τους ανθρώπους.

Στόχοι της Τεχνητής Νοημοσύνης

Οι ακόλουθοι είναι οι στόχοι της τεχνητής νοημοσύνης:

1. Να αναπαράγει την ανθρώπινη νοημοσύνη – Η Τεχνητή Νοημοσύνη έχει ως στόχο την προσομοίωση της ανθρώπινης νοημοσύνης σε μηχανές, για την επίλυση προβλημάτων.

2. Επίλυση εργασιών γνωστικής έντασης – Οι άνθρωποι μπορεί να κατακλυστούν από εργασίες που απαιτούν ένταση γνώσης. Μια τέτοια εργασία μπορεί να εκτελεστεί χρησιμοποιώντας έξυπνες μηχανές και συστήματα.

3. Ευφυής σύνδεση αντίληψης και δράσης με την τεχνητή νοημοσύνη, συνδέουμε τις αντιλήψεις και τις ενέργειες.

4. Κατασκευή μηχανών που μπορούν να εκτελούν εργασίες που απαιτούν ανθρώπινη νοημοσύνη – η τεχνητή νοημοσύνη είναι ένα εξαιρετικό εργαλείο, καθώς μας βοηθά να αναπτύξουμε μηχανές που μπορούν να χρησιμοποιηθούν για την εκτέλεση εργασιών που απαιτούν ανθρώπινη εργασία. Παραδείγματα τέτοιων προβλημάτων περιλαμβάνουν το σκάκι, την επίλυση ενός θεωρήματος, την οδήγηση αυτοκινήτου στην κυκλοφορία και την εκτέλεση χειρουργικών επεμβάσεων.

5. Δημιουργία συστημάτων ικανών να επιδεικνύουν έξυπνη συμπεριφορά – οι τεχνητά έξυπνες μηχανές μπορούν να επιδεικνύουν έξυπνη συμπεριφορά, όπως η εκμάθηση νέων πραγμάτων μόνες τους και η παροχή συμβουλών στον χρήστη.

Στοιχεία της Τεχνητής Νοημοσύνης

Η τεχνητή νοημοσύνη δεν είναι απλώς ένας κλάδος της επιστήμης των υπολογιστών, αλλά αποτελείται από μια σειρά επιστημονικών κλάδων που συμβάλλουν σε αυτήν. Η τεχνητή νοημοσύνη είναι μια αλληλεπίδραση των ακόλουθων επιστημονικών κλάδων:

• Επιστήμη Υπολογιστών
• Μαθηματικά
• Ψυχολογία
• Βιολογία
• Κοινωνιολογία
• Μελέτη Νευρώνων
• Στατιστική

Συμπέρασμα

• Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με την ανάπτυξη υπολογιστών  ή μηχανών που είναι τόσο έξυπνες όσο οι άνθρωποι.
• Η τεχνητή νοημοσύνη λέγεται ότι επιτυγχάνεται όταν έχουμε μια μηχανή που παρουσιάζει ανθρώπινα χαρακτηριστικά, όπως συλλογιστική, μάθηση και επίλυση προβλημάτων.
• Η Τεχνητή Νοημοσύνη έχει ως στόχο την αναπαραγωγή της ανθρώπινης νοημοσύνης σε μηχανές για την επίλυση προβλημάτων.
• Με την τεχνητή νοημοσύνη, συνδέουμε αντιλήψεις και ενέργειες.
• Η τεχνητή νοημοσύνη συνδυάζει πολλούς κλάδους όπως η βιολογία, η επιστήμη των υπολογιστών, τα μαθηματικά και άλλους.

Η εμπειρία μας για τον κόσμο βασίζεται σε υποθέσεις που φαίνονται απλές και προφανείς στους ανθρώπους. Μαθαίνουμε ότι ένα γρήγορο περπάτημα μισού μιλίου μας κάνει να νιώθουμε καλά όταν ο καιρός είναι εύκρατος, όχι τόσο καλό όταν η θερμοκρασία είναι κάτω από το μηδέν και εντελώς επικίνδυνο στη μέση μιας χιονοθύελλας ή τυφώνα. Τέτοιες υποθέσεις, που μαθαίνουμε από την εμπειρία του πραγματικού κόσμου, εμπίπτουν συλλογικά στην κατηγορία της κοινής λογικής. Αυτές οι διαισθητικές κατανοήσεις του κόσμου και των ανθρώπων αποδεικνύονται οι πιο προβληματικές στην κωδικοποίηση των μηχανών, αλλά χωρίς αυτές καμία μηχανή δεν θα μπορούσε να θεωρηθεί πραγματικά «έξυπνη».

Ένα από τα πιο απογοητευτικά μαθήματα που μας έχουν διδάξει ξανά και ξανά οι υπολογιστές είναι ότι πολλές από τις ενέργειες που θεωρούμε δύσκολες είναι εύκολο να αυτοματοποιηθούν – και αντίστροφα. Το 1944, δεκάδες άνθρωποι αφιέρωσαν μήνες εκτελώντας τους υπολογισμούς που απαιτούνται για το Manhattan Progect. Σήμερα, η τεχνολογία για να κάνει το ίδιο πράγμα κοστίζει ελάχιστα. Αντίθετα, όταν οι ερευνητές συναντήθηκαν στο Dartmouth College το καλοκαίρι του 1956 για να θέσουν τις βάσεις για την τεχνητή νοημοσύνη, κανένας τους δεν φανταζόταν ότι 40 χρόνια αργότερα θα είχαν διανύσει τόσο μικρή απόσταση προς αυτόν τον στόχο.

Πράγματι, οι λίγες επιτυχίες που είχε σημειώσει ως τότε η Τεχνητή Νοημοσύνη επισήμαιναν την αδυναμία της υπολογιστικής συλλογιστικής όσο και τα στενά της πλεονεκτήματα. Το 1965, για παράδειγμα, το project Dendral του Πανεπιστημίου Stanford αυτοματοποίησε τo εξελιγμένο λογισμικό σχετικά με τις χημικές δομές. Δημιούργησε μια λίστα με όλες τις πιθανές τρισδιάστατες δομές για μια ένωση και στη συνέχεια εφάρμοσε ένα μικρό σύνολο απλών κανόνων για να επιλέξει τις πιο εύλογες. Ομοίως, το 1975, ένα πρόγραμμα που ονομαζόταν Mycin ξεπερνούσε τον μέσο γιατρό στην ακρίβεια με την οποία έκανε διάγνωση μηνιγγίτιδας σε ασθενείς.

Εφάρμοζε αυστηρά τα κριτήρια που είχαν αναπτύξει οι έμπειροι κλινικοί γιατροί όλα αυτά τα χρόνια για να διακρίνουν μεταξύ των τριών διαφορετικών αιτιών της νόσου. Τέτοιες εργασίες είναι πολύ πιο κατάλληλες για έναν υπολογιστή παρά για έναν ανθρώπινο εγκέφαλο, επειδή μπορούν να κωδικοποιηθούν ως ένα σχετικά μικρό σύνολο κανόνων που πρέπει να ακολουθηθούν. Οι υπολογιστές μπορούν να εκτελούν τις ίδιες λειτουργίες επ’ αόριστον χωρίς να κουράζουν.

Εν τω μεταξύ, πολλές από τις εργασίες που είναι εύκολες για τους ανθρώπους – να βρουν μια ασαφή λέξη σε μια συζήτηση ή να αναγνωρίσουν το πρόσωπο ενός φίλου – ήταν σχεδόν αδύνατο να αυτοματοποιηθούν, επειδή δεν υπήρχε πραγματικά ιδέα για το πώς γίνονταν τέτοια πράγματα. Ποιος μπορούσε τότε να γράψει κανόνες για την αναγνώριση ενός προσώπου;

Ως αποτέλεσμα, εν μέσω της εκρηκτικής προόδου στα δίκτυα υπολογιστών, τους παράγοντες διεπαφής χρήστη και το hardware, η τεχνητή νοημοσύνη φαινόταν να μην επιτυγχάνει τα επιθυμητά αποτελέσματα. Μετά τα αρχικά κέρδη που οδήγησαν σε υψηλές προσδοκίες στα τέλη της δεκαετίας του 1970 και στις αρχές της δεκαετίας του 1980, υπήρξε μια πικρή αντίδραση κατά της ΤΝ τόσο στη βιομηχανία όσο και στην κυβέρνηση. Κατά ειρωνικό τρόπο, το 1984, ακριβώς τη στιγμή που η μανία βρισκόταν στο αποκορύφωμά της, ένα άρθρο για το Scientific American ήταν αρκετά απαισιόδοξος για την επόμενη δεκαετία. Και ενώ ο κόσμος είχε σχεδόν εγκαταλείψει το όνειρο της ΤΝ, βρισκόμαστε στο σημείο σήμερα να λέμε ότι η τεχνητή νοημοσύνη έχει ανοίξει την πόρτα της επιτυχίας.

Οι δυσοίωνες προβλέψεις τότε προέκυψαν επειδή τα προγράμματα που τροφοδότησαν τη διαφημιστική εκστρατεία για την Τεχνητή Νοημοσύνη δεν ήταν σοφοί αλλά ηλίθιοι σοφοί. Αυτά τα λεγόμενα έμπειρα συστήματα είχαν συχνά δίκιο, στους συγκεκριμένους τομείς για τους οποίους είχαν κατασκευαστεί, αλλά ήταν εξαιρετικά εύθραυστα. Ακόμα και σε ένα απλό πρόβλημα που ξεπερνούσε ελάχιστα την εξειδίκευσή τους, συνήθως έδιναν λάθος απάντηση, χωρίς να αναγνωρίζουν ότι βρίσκονταν εκτός του πεδίου των αρμοδιοτήτων τους. Ρωτούσες ένα ιατρικό πρόγραμμα για ένα σκουριασμένο παλιό αυτοκίνητο και αυτό μπορούσε να διαγνώσει ιλαρά αδιαφορώντας.

Επιπλέον, αυτά τα προγράμματα δεν μπορούσαν να μοιραστούν τις γνώσεις τους. Το Mycin πχ δεν μπορούσε να μιλήσει με προγράμματα που διέγνωσαν πνευμονικές παθήσεις ή να συμβουλεύσει γιατρούς για χημειοθεραπεία καρκίνου, και κανένα από τα ιατρικά προγράμματα δεν μπορούσε να επικοινωνήσει με εξειδικευμένα συστήματα προγραμματισμού που μπορεί να προσπαθούσαν να κατανείμουν νοσοκομειακούς πόρους. Καθένα αντιπροσώπευε το κομμάτι του κόσμου με ιδιόμορφους και ασύμβατους τρόπους, επειδή οι προγραμματιστές είχαν κάνει περικοπές ενσωματώνοντας πολλές υποθέσεις που αφορούσαν συγκεκριμένες εργασίες. Αυτό ίσως να ισχύει ακόμα και σήμερα.

Κανένα Πρόγραμμα Δεν Είναι απομονωμένο Νησί

Οι άνθρωποι μοιράζονται γνώσεις τόσο εύκολα που σπάνια τις σκεφτόμαστε. Δυστυχώς, αυτό καθιστά ακόμη πιο δύσκολη την κατασκευή προγραμμάτων που κάνουν το ίδιο. Πολλές από τις προαπαιτούμενες δεξιότητες και υποθέσεις έχουν γίνει έμμεσες μέσα από χιλιετίες πολιτιστικής και βιολογικής εξέλιξης και μέσω καθολικών εμπειριών από την πρώιμη παιδική ηλικία. Πριν οι μηχανές μπορέσουν να μοιράζονται γνώσεις τόσο ευέλικτα όσο οι άνθρωποι, αυτές οι προϋποθέσεις πρέπει να ανακεφαλαιωθούν με κάποιο τρόπο σε σαφείς, υπολογίσιμες μορφές

Την τελευταία δεκαετία, οι ερευνητές στο έργο CYC στο Ώστιν του Τέξας εργάζονταν σκληρά κάνοντας ακριβώς αυτό. Αρχικά, η ομάδα εξέταζε αποσπάσματα άρθρων ειδήσεων, μυθιστορημάτων, διαφημίσεων και τα συναφή, και για κάθε πρόταση ρωτούσε: «Τι υπέθεσε ο συγγραφέας ότι ο αναγνώστης γνώριζε ήδη;» Αυτή η προαπαιτούμενη γνώση, όχι το περιεχόμενο του κειμένου, έπρεπε να κωδικοποιηθεί. Αυτή η διαδικασία οδήγησε την ομάδα να αναπαραστήσει 100.000 διακριτές έννοιες και περίπου ένα εκατομμύριο γνώσεις κοινής λογικής σχετικά με αυτές

Πολλές από αυτές τις οντότητες – για παράδειγμα, “BodyOfWater” – δεν αντιστοιχούν σε ούτε μία αγγλική λέξη. Αντίθετα, μια αβλαβής λέξη όπως το “in” αποδεικνύεται ότι έχει δύο δωδεκάδες σημασίες, καθεμία από τις οποίες αντιστοιχεί σε μια ξεχωριστή έννοια. Ο τρόπος με τον οποίο εσείς, ο αναγνώστης, βρίσκεστε σε ένα δωμάτιο είναι διαφορετικός από τον τρόπο με τον οποίο βρίσκεται ο αέρας στο δωμάτιο, τον τρόπο με τον οποίο βρίσκεται το χαλί στο δωμάτιο, τον τρόπο με τον οποίο βρίσκεται το χρώμα στους τοίχους στο δωμάτιο και τον τρόπο με τον οποίο βρίσκεται ένα γράμμα σε ένα συρτάρι γραφείου στο δωμάτιο. Κάθε τρόπος με τον οποίο κάτι μπορεί να βρίσκεται “μέσα” σε ένα μέρος έχει διαφορετικές επιπτώσεις – το γράμμα μπορεί να αφαιρεθεί από το δωμάτιο, για παράδειγμα, ενώ ο αέρας δεν μπορεί. Ούτε ο αέρας ούτε το γράμμα, ωστόσο, είναι ορατά με την πρώτη ματιά σε κάποιον που μπαίνει στο δωμάτιο.

Τι Γνωρίζουν Όλοι

Τα περισσότερα από αυτά τα κομμάτια γνώσης αποδείχθηκαν ότι δεν ήταν γεγονότα από κάποιο ημερολόγιο ή ορισμοί από κάποιο λεξικό, αλλά μάλλον κοινές παρατηρήσεις και ευρέως διαδεδομένες πεποιθήσεις. Το CYC έπρεπε να διδαχθεί πώς οι άνθρωποι τρώνε σούπα, ότι τα παιδιά μερικές φορές φοβούνται τα ζώα και ότι η αστυνομία στις περισσότερες χώρες είναι ένοπλη.

Για να γίνουν τα πράγματα ακόμη πιο περίπλοκα, πολλές από τις παρατηρήσεις που ενσωματώσαμε στη βάση γνώσεων του CYC αντιφάσκουν μεταξύ τους. Μέχρι τη στιγμή που ένα πρόγραμμα βασισμένο στη γνώση μεγαλώνει και περιέχει περισσότερους από 10.000 κανόνες – 1% του μεγέθους του CYC – γίνεται δύσκολο να προσθέσουμε νέα γνώση χωρίς να παρέμβουμε σε κάτι που ήδη υπάρχει. Ξεπεράσαμε αυτό το εμπόδιο χωρίζοντας τη βάση γνώσεων σε εκατοντάδες ξεχωριστές μικροθεωρίες ή πλαίσια. Όπως οι μεμονωμένες πλάκες σε μια πανοπλία, κάθε πλαίσιο είναι αρκετά άκαμπτο και συνεπές, αλλά οι αρθρώσεις μεταξύ τους επιτρέπουν εμφανείς αντιφάσεις μεταξύ των πλαισίων. Το CYC γνωρίζει ότι ο Δράκουλας ήταν βρικόλακας, αλλά ταυτόχρονα γνωρίζει ότι οι βρικόλακες δεν υπάρχουν

Τα φανταστικά συμφραζόμενα (όπως αυτό για το μυθιστόρημα του Bram Stoker) είναι σημαντικά επειδή επέτρεπαν στο CYC να κατανοεί μεταφορές και να χρησιμοποιεί αναλογίες για την επίλυση προβλημάτων. Πολλαπλά συμφραζόμενα ήταν επίσης χρήσιμα για συλλογισμό σε διαφορετικά επίπεδα λεπτομέρειας, για την αποτύπωση των πεποιθήσεων διαφορετικών ηλικιακών ομάδων, εθνικοτήτων ή ιστορικών εποχών, και για την περιγραφή διαφορετικών προγραμμάτων, καθένα από τα οποία έκανε τις δικές του υποθέσεις σχετικά με την κατάσταση στην οποία θα χρησιμοποιηθεί. Μπορούσαν ακόμη και να χρησιμοποιήσουμε όλους τους εύθραυστους ηλίθιους σοφούς από προηγούμενες γενιές Τεχνητής Νοημοσύνης, περικλείοντας το καθένα σε ένα συμφραζόμενο που περιγράφει πότε και πώς να το χρησιμοποιήσετε κατάλληλα.

Το εύρος της γνώσης του CYC έγινε εμφανές ακόμη και σε μια απλή εφαρμογή ανάκτησης δεδομένων που δημιουργήθηκε το 1994, η οποία ανακτούσε εικόνες των οποίων οι περιγραφές ταιριάζουν με τα κριτήρια που επιλέγει ένας χρήστης. Σε απάντηση σε ένα αίτημα για εικόνες που περιέχουν καθισμένους ανθρώπους, το CYC μπόρεσε τότε να εντοπίσει αυτήν τη λεζάντα: “Υπάρχουν μερικά αυτοκίνητα.”

Βρίσκονται σε έναν δρόμο. Υπάρχουν μερικά δέντρα στην άκρη του δρόμου. Ρίχνουν τα φύλλα τους. Μερικά από αυτά είναι κίτρινα ταξί. Ο ορίζοντας της Νέας Υόρκης είναι στο φόντο. Είναι ηλιόλουστος.» Το πρόγραμμα χρησιμοποίησε στη συνέχεια την τυποποιημένη κοινή λογική του για τα αυτοκίνητα – έχουν θέση οδηγού και τα αυτοκίνητα σε κίνηση γενικά οδηγούνται για να συμπεράνει ότι υπήρχε μεγάλη πιθανότητα η εικόνα να ήταν σχετική. Ομοίως, το CYC θα μπορούσε να αναλύσει το αίτημα «Δείξε μου χαρούμενους ανθρώπους» και να παραδώσει μια εικόνα της οποίας η λεζάντα γράφει: «Ένας άντρας παρακολουθεί την κόρη του να μαθαίνει να περπατάει». «Καμία από τις λέξεις δεν είναι συνώνυμη ή έστω στενά συνδεδεμένη, αλλά λίγη κοινή λογική διευκολύνει την εύρεση της σύνδεσης.

Έτοιμοι για απογείωση

Το CYC απείχε πολύ από το να είναι ολοκληρωμένο, αλλά πλησίαζε το επίπεδο στο οποίο μπορούσε να χρησιμεύσει ως ο σπόρος από τον οποίο μπορούσε να αναπτυχθεί μια βάση κοινής γνώσης. Προγράμματα που κατανοούσαν φυσικές γλώσσες χρησιμοποίησαν την υπάρχουσα βάση γνώσεων για να κατανοήσουν μια μεγάλη ποικιλία κειμένων φορτωμένων με ασάφεια και μεταφορές. Οι πληροφορίες που αντλήθηκαν από τις αναγνώσεις του CYC εμπλούτισαν τις έννοιές του και έτσι θα επέτρεψαν περαιτέρω επεκτάσεις. Το CYC θα μάθαινε επίσης μέσω της ανακάλυψης, σχηματίζοντας εύλογες υποθέσεις για τον κόσμο και δοκιμάζοντάς τες. Μία από τις προκλητικές αναλογίες που παρατήρησε και εξερεύνησε τότε λίγα χρόνια πριν την είσοδο της χιλιετίας, ήταν αυτή μεταξύ μιας χώρας και μιας οικογένειας. Όπως οι άνθρωποι, το CYC θα μαθαίνει στα όρια αυτών που ήδη γνωρίζει, και έτσι η ικανότητά του για εκπαίδευση θα εξαρτήθηκε σε μεγάλο βαθμό από τις υπάρχουσες γνώσεις του.

Κατά την επόμενη δεκαετία, οι ερευνητές εμπλούτισαν τη βάση κοινής γνώσης του CYC τόσο με χειροκίνητα όσο και με αυτοματοποιημένα μέσα. Άρχισαν επίσης να δημιουργούν εφαρμογές, ενσωματώνοντας την κοινή λογική σε γνωστά είδη συσκευών λογισμικού, όπως υπολογιστικά φύλλα, βάσεις δεδομένων, συστήματα προετοιμασίας εγγράφων και διαδικτυακές μηχανές αναζήτησης.

Οι επεξεργαστές κειμένου τώρα ελέγχουν το περιεχόμενο, όχι μόνο την ορθογραφία και τη γραμματική. Τα υπολογιστικά φύλλα επισημαίνουν καταχωρήσεις που είναι τεχνικά επιτρεπτές αλλά ενίοτε παραβιάζουν την κοινή λογική. Τα προγράμματα ανάκτησης εγγράφων κατανοούν αρκετά το περιεχόμενο αυτού που αναζητούν -και των ερωτήσεών σας- ώστε να βρουν τα κείμενα που αναζητάτε, ανεξάρτητα από το αν περιέχουν τις λέξεις που προσδιορίζετε.

Αυτού του είδους τα προγράμματα θα ενεργούν σε συνεννόηση με τις υπάρχουσες τάσεις στο υλικό και τα δίκτυα υπολογιστών για να κάνουν τις υπηρεσίες που βασίζονται σε υπολογιστές όλο και λιγότερο δαπανηρές και πιο πανταχού παρούσες, να δημιουργούν σταθερά καλύτερα μοντέλα χρήστη, σχετικό software και να βυθίζουν τον χρήστη βαθύτερα σε εικονικά περιβάλλοντα. Ο στόχος μιας γενικής τεχνητής νοημοσύνης είναι ορατό και ο κόσμος του 21^ου αιώνα θα αλλάξει ριζικά ως αποτέλεσμα. Ο αείμνηστος Allen Newell, ένας από τους ιδρυτές του πεδίου, παρομοίασε την επερχόμενη εποχή με τη χώρα του Φέρι: άψυχα αντικείμενα, όπως συσκευές που συνομιλούν μαζί σας, για να μην αναφέρουμε ότι συνομιλούν και συντονίζονται μεταξύ τους. Ωστόσο, σε αντίθεση με τα πλάσματα των περισσότερων παραμυθιών, γενικά συνωμοτούν για να κάνουν τους ανθρώπους καλό και όχι κακό.