inteligentni sistemi

Inteligentni sistemi

Sadržaj

Uvod 2

Istorijat veštačke inteligencije 2

Inteligentni sistemi i veštačka inteligencija 3

Ekspertski sistemi 8

Obrada prirodnog jezika (NLP) i govorne tehnologije 10

Obrada zasnovana na neuronskim mrežama 12

Fazi logika 14

Inteligentni agenti 14

Zaključak 17

Literatura 18

Uvod

Veštačka inteligencija (Artificial Inteligence – AI) predstavlja mešavinu konvencionalne nauke, fiziologije i psihologije, sve u cilju da se napravi mašina koja bi se, po ljudskim merilima, mogla smatrati “inteligentnom”. Mogućnost stvaranja inteligentnih mašina zaokuplja ljudsku maštu još od drevnih vremena, ali tek sada, sa brzim tempom razvoja računara i već pedesetogodišnjim iskustvom na polju istraživanja tehnika AI programiranja,

1


san o pametnim mašinama počeo je da ostaje tvarnost. Naučnici su konačno sposobni da stvore sisteme koji razumeju govor i mogu da pobede najbolje igrače šaha, dok je hardver sa elementima veštačke inteligencije već isproban u oružanim sukobima (sistemi krstarećih projektila koje je američka vojska koristila u Pustinjskoj oluji). Sa određenim programima za IBM i Apple Macintosh personalne računare, veštačka inteligencija je počela da polako, ali neumorno zadire i u svakodnevni život. Međutim i pored sveg napretka, naučnici se još uvek nisu uhvatili u koštac sa osnovnim izazovom u razvoju inteligentne mašine – pravljenjem sistema koji oponašaju ljudski mozak. Nije ni čudo, jer ljudski mozak sa više milijardi neurona predstavlja možda i najsloženiju tvorevinu u univerzumu.

Istorijat veštačke inteligencije

Od davnina ljude privlači inteligencija, kako sam pojam inteligencije tako i mogućnost konstruisanja “inteligentnih mašina” koje bi mogle samostalno da rade. Takve primere možemo pratiti kroz istoriju.

- U staroj Grčkoj ljudi su se bavili pitanjima inteligencije, znanja i pravilnog zaključivanja, a među njima se naročito istakao Aristotel.

- U XIII veku je Ramon Lull (1235-1316) opisao sistem Ars Magna kojim je pokušao da pomoću mehaničkog kombinovanja, simboličke notacije i kombinatornih dijagrama ostvari “inteligentan” sistem.

- Tokom XVII veka, G. V. Leibnitz (1646-1716) i Blaze Pascal (1623-1662) pokušavali su da konstruišu mehaničku računsku mašinu za sabiranje.

- Cifarska računska mašina koju je konstruisao Charles Babbage, bila je u stanju da po određenom algoritmu izvršava operacije sa dekadnim brojevima.

- Sredinom 19-tog veka George Bool razrađuje algebru logike u kojoj se algebarska simbolika koristi za operisanje pojmovima pri logičkom izvođenju.

- Englez Alan Turing i Amerikanac Post, 1936. godine, nezavisno jedan od drugoga objavljuju radove iz oblasti matematičke logike i iznose mogućnosti konstruisanja univerzalnog transformatora informacija.

- Međutim, tek pojavom prvog računara “Electronic Numerical Integrator And Computer” (ENIAC) koga su 1945. godine izmislili Mauchly i J. Presper Eckert, može se govoriti o inteligentnim mašinama.

Termin “veštačka inteligencija” upotrebljen je prvi put 1956. godine na kongresu u Dartmutu, u Novoj Škotskoj (Kanada). Kongres je organizovao John McCarty, kojeg mnogi danas smatraju ocem veštačke inteligencije. Iako konferencija sama po sebi nije predstavljala veliki uspeh, pioniri na polju veštačke inteligencije okupili su se na jednom mestu radi razmene ideja i udareni su temelji za budući rad na polju.Godinu dana kasnije, testirana je prva verzija novog programa pod nazivom The General Problem Solver (GPS). Program je bio sposoban za rešavanje većeg boja opštih problema. Par

godina kasnije, IBM je stvorio tim za istraživanje veštačke inteligencije. Herbert Gelerneter proveo je tri godine na razvoju programa za rešavanje geometrijskih teorema.Uporedo sa pojavom novih programa, McCarty je spremao veliko otkriće u istoriji veštačke inteligencije – računarski jezik LISP, koji se još uvek koristi.

Godine 1963. Masačusetski institut za tehnologiju (MIT) primio je 2,2 miliona dolara od američke vlade za istraživanje veštačke inteligencije, namenjenih, pre svega, održavanju tehnološkog primata SAD nad tadašnjim SSSR-om. Godinu dana kasnije, pojavio se veliki broj programa, od kojih je najzapaženiji bio SHRDLU. Program je bio sposoban za rešavanje manjih prostornih i logičkih problema. Krajem šezdesetih godina prošlog veka, pojavio se i

2


program STUDENT, koji je rešavao algebarske probleme, i SIR, koji je mogao da razume jednostavne rečenice na engleskom jeziku.

Napredak u šezdesetim godinama prošlog veka obeležila je pojava ekspertskih sistema koji izvode predviđanja verovatnoće rešenja u zadatim uslovima. Desetak godina kasnije, ekspertski sistemi upotrebljavani su za prognoze na tržištu vrednosnih papira i u medicinskoj dijagnostici.

Tokom osamdesetih godina prošlog veka, veštačka inteligencija je razvijana mnogo bržim tempom. Polje istraživanja je takođe sve češće zalazilo u korporacijski sektor. U 1986. godini, prodaja programa i hardverske opreme zasnovanih na AI iznosila je samo u SAD oko 425 miliona dolara. Kompanije kao Digital Electronics koristile su XCON, ekspertski sistem projektovan za programiranje velikih VAX računara. Kompanije DuPont, General Motors i Boeing su takođe u velikoj merili koristile ekspertske sisteme.

Pojava personalnih računara ubrzala je razvoj AI i donekle promenila smer ulaganja. Osamdesetih godina prošlog veka pojavilo se i novo polje na istraživanju AI – veštački vizuelni sistemi. Tako je rad naučnika sa MIT-a omogućio postavljanje kamera i računara u industriji, kao sredstava kontrole kvaliteta. Iako grubi, ovi sistemi mogli su da razlikuju oblike i predmete. Do 1985. godine, preko stotinu kompanija nudilo je veštačke vizuelne sisteme samo u SAD, a prodaja je dostigla iznos od oko 80 miliona dolara. Međutim, krajem osamdesetih godina, potražnja za AI sistemima je opala, a industrija je izgubila gotovo pola milijarde dolara. Zbog toga su i ulaganja u istraživanje AI sistema opala.

Još jedno razočarenje predstavljao je tzv. “pametni kamion”, čiji je razvoj finansiralo Ministarstvo odbrane SAD. Cilj projekta je bio razvoj robotskog vozila koje bi samostalno izvršavalo mnoge borbene zadatke. Zbog malo verovatnog uspeha, Pentagon je uskratio finansiranje projekta. Uprkos obeshrabrujućim događajima, AI se polako oporavila.

U Japanu je razvijana nova tehnologija. U SAD je razvijena tzv. „nejasna logika“, koja je namenjena obradi nepreciznih ili promenjivih podataka. Za razliku od tradicionalnih binarnih vrednosti, ova logika koristi veliki opseg vrednosti radi veće fleksibilnosti. Na taj način, računar je mogao da donese zaključke u neizvesnim uslovima. Kao mogući način za postizanje AI razmatrane su i neuronske mreže. Osamdesete godine prošlog veka su uvele AI na korporacijsko tržište i pokazale da tehnologija ima konkretne primene. Mnogi očekuju da će AI tehnologije biti ključne u 21. veku.

Inteligentni sistemi i veštačka inteligencija

Izraz inteligentni sistemi opisuje različite komercijalne aplikacije veštačke inteligencije.Veštačka inteligencija je izraz koji obuhvata nekoliko definicija. Većina eksperata se

slaže da se AI odnosi na dve osnovne ideje. Prvo, ona podrazumeva proučavanje procesa razmišljanja kod ljudi; drugo, ona se bavi predstavljanjem tih procesa preko mašina (računara, robota...).

AI je “ponašanje mašine koje bi bilo nazvano inteligentnim kada bi se tako ponašalo ljudsko biće“. AI 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.

Sposobnosti koje se smatraju znacima inteligencije su sledeće:• učenje ili shvatanje na bazi iskustva,• uočavanje smisla u neodređenim ili kontradiktornim porukama,• brzo i uspešno reagovanje na nove situacije,• rešavanjem problema razmišljanjem,• rešavanje složenih situacija,

3


• shvatanje i zaključivanje na uobičajen, racionalan način,• primenjivanje znanja pri delovanju u okruženju,• prepoznavanje relativnog značaja raznih elemenata u datoj situaciji.

Konačni cilj AI je sagraditi mašine koje će oponašati ljudsku inteligenciju. Kako vreme prolazi, inteligentni sistemi postaju sve bolji i korisni su već danas zbog efikasnosti mnogih poslova koji zahtevaju ljudsku inteligenciju.

Britanac Alan Turing je dizajnirao zanimljiv test kojim se utvrđuje da li računar pokazuje inteligentno ponašanje. Prema Turingovom testu, računar se može smatrati „pametnim“ samo ako čovek koji vodi intervju, tako što razgovara sa sagovornikom koga ne vidi, ne može da utvrdi da li je to ljudsko biće ili računar.

ZNANJE I AI. AI se često povezuje sa konceptom znanja. Mada računar ne može imati iskustva ili proučavati i učiti kao što to čine ljudi, on može koristiti znanje koje mu daju ljudski eksperti. Takvo znanje se sastoji od činjenica, koncepata, teorija, heurističkih metoda, procedura i odnosa. Znanje je informacija koja je organizovana i analizirana da bi se učinila razumljivom i primenjivom za rešavanje problema ili donošenje odluka. Da bi znanja koja se odnose na određeni problem bila primenjena u inteligentnom sistemu, ona se organizuju i čuvaju u bazi znanja. Skup znanja u vezi sa aktivnošću u organizacijama naziva se organizaciona baza znanja.

UPOREĐIVANJE VEŠTAČKE I PRIRODNE INTELIGENCIJE. Potencijalna vrednost AI se može bolje shvatiti ako se uporedi sa prirodnom (ljudskom) inteligencijom, što je prikazano u sledećoj tabeli:

MOGUĆNOSTI Prirodna inteligencija Veštačka inteligencija

Čuvanje znanjaNepostojano sa organizacionog stanovišta

Postojano

Umnožavanje i širenje znanjaKomplikovano, skupo, angažuje vreme

Lako, brzo, jeftino, pošto se znanje jednom unese u računar

Ukupno koštanje znanja Vrlo visoko Može biti vrlo nisko

Konzistentnost inteligencijeMože biti sklona greškama, nekonzistentna. Povremeno nekompletna

Konzistentna i temeljna

Dokumentovanje procesa i znanja

Komplikovano, skupo Prilično lako, jeftino

Kreativnost Može biti vrlo visoka Niska, nadahnuta

Upotreba senzorskih iskustavaDirektna i bogata mogućnostima

Mora najpre biti interpretirana; ograničena

Prepoznavanje obrasca i odnosa

Brzo, lako se objašnjavaLjudi još uvek bolje uče nego što se mogu obučiti mašine, mada ponekad mašine prevaziđu čoveka

ZaključivanjeKoristi širok kontekst iskustva

Dobro samo u uskim, fokusiranim i stabilnim domenima

PREDNOSTI AI. Uprkos ograničenjima, metodi AI mogu biti izuzetno vredni. Oni mogu činiti računare jednostavnijim za upotrebu i doprineti da znanje bude široko dostupno. Glavne potencijalne prednosti AI se sastoje u tome da:

znatno povećava brzinu i doslednost pojedinih postupaka u rešavanju problema; pomaže u rešavanju problema koji ne mogu biti rešeni ili su komplikovani za

rešavanje konvencionalnom obradom na računaru; pomaže pri rešavanju problema sa nekompletnim ili nejasnim podacima; pomaže u regulisanju informacionog preopterećenja rezimiranjem i interpretiranjem

informacija i u pretraživanju velike količine podataka; znatno povećava produktivnost pri obavljanju mnogih poslova;

4


čini vrlo jednostavnom upotrebu nekih računarskih aplikacija.

KONVENCIONALNA OBRADA NASUPROT AI OBRADI NA RAČUNARU. Konvencionalni računarski programi su zasnovani na algoritmima. Algoritam je matematička formula ili sekvencijalna procedura koja vodi do rešenja. Algoritam se konvertuje u računarski program koji precizno govori računaru koje operacije da izvrši da bi rešio probleme, a zatim koristi podatke kao što su brojevi, slova ili reči.

AI softver je zasnovan na simboličkoj obradi znanja. U AI je simbol slovo, reč ili broj koji predstavlja objekte, procese i njihove odnose. Objekti mogu biti ljudi, stvari, ideje, koncepti, događaji ili konstatovanje činjenica. Upotrebom simbola moguće je formirati bazu znanja koja sadrži činjenice, koncepte i njihove međusobne odnose. Potom se različiti procesi mogu koristiti za upotrebu simbola radi generisanja saveta ili preporuke za rešavanje problema.

Osnovne razlike između AI obrade na računaru i konvencionalne upotrebe računara prikazane su u sledećoj tabeli:

Veštačka inteligencija Konvencionalno programiranje

Pretežno simbolička obrada Pretežno numerička obrada

Heurističko pretraživanje Algoritmi

Upravljačke strukture najčešće izdvojene od znanja Informacije i upravljanje integrisani zajedno

Jednostavno modifikovanje, ažuriranje i proširivanje Teško modifikovanje

Tolerišu se pogrešni odgovori Neophodni su tačni odgovori

OBLAST KOMERCIJALNE VEŠTAČKE INTELIGENCIJE

Razvoj mašina sa inteligentnim karakteristikama proteže se na nekoliko oblasti u nauci i tehnologiji (kao što je prikazano na slici) . Veštačka inteligencija sama po sebi nije komercijalno polje. To je skup koncepata i ideja koje su pogodne za istraživanje ali ne mogu biti predmet prodaje. AI obezbeđuje naučno utemeljenje za nekoliko komercijalnih tehnologija.

Osnovni inteligentni sistemi su: ekspertski sistemi, obrada prirodnog jezika, razumevanje govora, robotika i senzorski sistemi, fazi logika, obrada na bazi neuronskih mreža, računarska vizuelizacija i scensko prepoznavanje, i inteligentna obuka uz pomoć računara. Pored toga, kombinacija od dva ili više ovakvih sistema smatra se hibridnim inteligentnim sistemom.

5


EKSPERTSKI SISTEMI (Expert systems – Ess) su kompjuterizovani savetodavni programi koji oponašaju procese zaključivanja eksperata pri rešavanju složenih problema. Oni se koriste više od bilo koje primenjene AI tehnologije. Od velikog su interesa za organizacije zato što mogu povećati produktivnost i ojačati radnu snagu u specijalističkim oblastima gde je komplikovano naći eksperte i zadržati ih ili je njihovo angažovanje previše skupo.

TEHNIKA PRIRODNOG JEZIKA. Obrada prirodnog jezika (Natural Language Processing – NLP) daje korisnicima računara mogućnost da komuniciraju sa računarom na jezicima koje ljudi koriste.

RAZUMEVANJE GOVORA (glasa) predstavlja prepoznavanje i razumevanje govornog jezika putem računara.

ROBOTIKA I SENZORSKI SISTEMI. Senzorski sistemi, kao što su sistemi za vizuelizaciju, kombinovani sa AI, definišu široku kategoriju sistema na koje se misli kad se kaže robotika. Robot je elektromehanički uređaj koji može biti programiran i reprogramiran da automatizuje manuelne poslove (zavarivanje, bojenje, prenošenje i pakovanje artikala u automatizovanim magacinima za e-trgovinu).

Roboti se, takođe, mogu koristiti i za zabavu. U avgustu 1997. god., prvi Svetski kup fudbalske robot lige održan je u gradu Nagoja u Japanu. Roboti su u sebi sadržali nekoliko AI tehnologija (vidi robocup.org/).

RAČUNARSKA VIZUELIZACIJA I SCENSKO PREPOZNAVANJE. Vizuelno prepoznavanje je dopuna kompjuterske inteligencije i sposobnosti za donošenje odluka digitalizovanoj vizuelnoj informaciji primljenoj od senzora mašine. Kombinovana informacija se onda koristi da obavlja i kontroliše operacije kao što su robotički pokreti, brzine konvejera i kontrola kvaliteta proizvodnih linija. Osnovni cilj računarske vizuelizacije je da interpretira scenarije.

6


INTELIGENTNA OBUKA UZ POMOĆ RAČUNARA (Inteligent Computer Assisted Instruction – ICAI) – odnosi se na rad mašina koje mogu da podučavaju ljude. Takvu mašinu treba posmatrati kao ekspertski sistem. Međutim, glavni cilj ES-a je da pruža savet, dok je cilj ICAI da podučava.

Svrha je da se stvore kompjuterizovani „učitelji“ koji svoje tehnike podučavanja formiraju tako da odgovaraju obrascima učenja svakog pojedinačnog studenta. ICAI aplikacije nisu ograničene samo na škole. One su našle mesto i u vojnom i civilnim sektorima. Koriste se za rešavanje problema, simulacije, otkrića, učenje, obučavanje i vežbanje, igre i testiranje. Ovi sistemi se koriste i da pomognu ljudima sa fizičkim nedostacima i problemima sa učenjem. Povećan broj ICAI programa se sada nudi na Internetu i intranetu, stvarajući virtuelne škole i univerzitete. Ovaj vid primene AI koristi se u učenju na daljinu, gde su učitelji i studenti na različitim lokacijama.

Druga primena ICAI je interpretativno testiranje. Koristeći ovaj pristup GMAT i drugi testovi poznati po dužini su skraćeni. Time što su u stanju da bolje interpretiraju odgovore, test može mnogo tačnije da odredi prednosti i slabosti onoga ko se testira, putem manjeg broja pitanja.

MAŠINSKO UČENJE. Računari se dugo koriste za rešavanje strukturnih problema sa kvantitativnim modelima. Takvi modeli, ipak, ne mogu rešiti složene probleme u situacijama u kojima je potrebno specijalističko znanje. Takvo znanje može biti obezbeđeno, u nekim slučajevima, ekspertskim sistemom. Međutim, upotreba ES je ograničena faktorima kao što su teškoće u usvajanju znanja i nemogućnošću ES da uči iz iskustva. Za situacije u kojima ES nije prikladno rešenje, koristimo pristup zvani mašinsko učenje.

Mašinsko učenje se odnosi na komplet metoda koje pokušavaju da nauče računare da rešavaju probleme ili da podrže rešavanje problema putem analiziranja slučajeva koji su se već dogodili. Metode mašinskog učenja su fazi logika i neuronska obrada na računaru. Jedna od primena su agenti učenja.

PREPOZNAVANJE RUKOPISA je podržano tehnologijama kao što su ES i neuronska obrada na računaru. Može se naći kod računara sa elektronskom olovkom.

DRUGE APLIKACIJE. AI se može primeniti za nekoliko drugih poslova kao što su automatsko računarsko programiranje, kratki pregledi vesti i prevod sa jednog jezika na drugi. Cilj automatskog projektovanja je da ostvari računarski sistem koji može sam da razvija programe, kao odgovor i u skladu sa specifikacijama autora koji razvija program. Neki računarski programi „čitaju“ priče iz novina ili drugih dokumenata, uključujući i one koji su dostupni na Internetu, i prave apstrakte na engleskom ili drugim jezicima. Ovo rešava problem informacionog preopterećenja.

Pionirski projekat rezimiranja finansijskih novosti sproveo je General Electric’s R&D centra pod nazivom SCISOR. Sistem se pokazao kao stoprocentno efikasan u prikupljanju informacija o integracijama firmi. O drugoj interesantnoj primeni izvestio je Wee i drugi (1997), u kojoj je personalizovan sistem vesti zasnovan na Webu bio programiran da prati vesti koje su dostupne na engleskom, kineskom i malajskom jeziku, rezimira ih i izvuče željene lične vesti na jednom od ovih jezika.

7


Ekspertski sistemi

Kada firma treba da donese kompleksnu odluku ili da reši neki problem, često se obraća za savet ekspertima koji imaju specifična znanja i iskustvo u vezi sa datim problemom.

Ekspertski sistemi su pokušaj da se imitiraju ljudski eksperti. Oni podržavaju ili potpuno zamenjuju donosioce odluka. ES su najšire primenjeni i komercijalno najuspešniji od AI tehnologija. Osnovna ideja koja stoji iza ES sastoji se iz sledećeg:

ekspertiza se prenosi sa eksperta (ili drugog izvora ekspertize) na računar, znanje se čuva u računaru, korisnici mogu da se obrate računaru za savet, računar može izvući zaključak i doći do rešenja, računar savetuje neeksperte i objašnjava logiku koja se krije iza saveta.

Ekspertiza je opsežno, specifično znanje u vezi sa poslom koje se stiče obukom, čitanjem i iskustvom. Ona omogućava ekspertima da brže i bolje donose odluke nego neeksperti pri rešavanju složenih problema. Za ekspertizu je potrebno mnogo vremena da bi se dostigla, i raspoređena je neravnomerno u organizacijama. Stariji ekspert poseduje otprilike 30 puta više ekspertize nego mlađi član kolektiva.

Prenos ekspertize od eksperta do računara i dalje do korisnika uključuje 4 aktivnosti:1) Prikupljanje znanja (od eksperata ili drugih izvora);2) Predstavljanje znanja (u računaru);3) Zaključivanje pomoću znanja (mehanizam za zaključivanje);4) Prenos znanja korisniku.

Znanje se stiče od eksperata ili iz dokumentovanih izvora. Kroz aktivnost predstavljanja znanja, prikupljeno znanje je organizovano u obliku pravila ili okvira (objektno orijentisanih) i elektronski memorisanih u bazi znanja. Kada mu se neophodna ekspertiza memoriše u bazi znanja, računar je programiran tako da može da donosi zaključke. Zaključivanje se vrši u komponenti koja se zove mehanizam za zaključivanje. Tako je ekspertsko znanje preneseno na korisnike.

Jedinstvena karakteristika ES je sposobnost da objasni preporuku. Objašnjenje i opravdanje se vrši u podsistemu koji se naziva verifikator ili podsistem za objašnjavanje.

ES obezbeđuju veliki broj sposobnosti i prednosti. Prednosti ES su sledeće: Zasnivaju se na simboličkom predstavljanju i procesiranju ugrađenog znanja. Znanje koje je ugrađeno u ES je postojano i uvek dostupno, bez obzira koliko se često

sistem koristi. Pojedini stručnjaci imaju teškoće u artikulaciji, dokumentovanju i prenošenju svog

znanja drugim ljudima, dok su te aktivnosti kod ES automatizovane i veoma jednostavne.

Pri razvoju ES dolazi do formalizovanja znanja od strane eksperata.

Uprkos mnogim prednostima, dostupne ES metodologije nisu uvek direktne i efikasne. Ovde su izloženi neki problemi koji usporavaju njihovo komercijalno širenje:

znanje koje treba pribaviti nije uvek lako dostupno; ekspertizu je teško ekstrahovati od ljudi; pristup svakog eksperta situaciji može biti različit, mada ispravan; čak i visokoobučenom ekspertu teško je da tačno proceni situaciju kad je pod

pritiskom kratkih rokova; korisnici ES-a imaju prirodna spoznajna ograničenja, tako da ne mogu da koriste

prednosti sistema do granica njegovih mogućnosti;

8


ES funkcionišu dobro samo u usko definisanim oblastima, kao što je utvrđivanje kvarova na mašinama;

većina ES nema nezavisne načine provere u pogledu toga da li su njihovi zaključci razumni ili ispravni;

rečnik ili žargon, koji eksperti koriste da izraze činjenice i odnose često je ograničen i nerazumljiv za druge;

pri izgradnji ES-a često je potrebna pomoć iskusnih inžinjera koji su retki i skupi, što može činiti ES izradu prilično skupom;

nedostatak poverenja krajnjih korisnika može biti barijera za upotrebu ES; transfer znanja je predmet perceptivnih i vrednosnih predrasuda; mogućnost za lošu preporuku datu od strane ES je teško proceniti.

Osim toga, ekspertski sistemi mogu i da ne budu u stanju da dođu do zaključka. Na primer, čak i neke potpuno razvijene ekspertske konfiguracije nisu u stanju da izvrše 2% naredbi koje im prezentiraju. Konačno, ekspertski sistemi, slično ljudima ekspertima, ponekad daju netačne preporuke.

KOMPONENTE ES:

1. Baza znanja sadrži znanje koje je neophodno za shvatanje, formulisanje i rešavanje problema. Ona sadrži dva osnovna elementa: a) činjenice, kao što su okolnosti pod kojima se problem javlja i teoretsku oblast kojoj problem pripada, i b) pravila koja usmeravaju odgovarajuća znanja za rešavanje specifičnih problema u određenom domenu.

2. Tabla (vrsta baze podataka) je oblast radne memorije koja je ostavljena za opisivanje aktuelnog problema, što je specificirano ulaznim podacima. Ona se takođe koristi za evidentiranje međurezultata.

3. «Mozak» ES-a je mehanizam za zaključivanje. Ova komponenta je suštinski računarski program koji obezbeđuje metodologiju za zaključivanje i formulaciju zaključaka.

4. Korisnički interfejs u ES-u dozvoljava dijalog na relaciji korisnik-računar, koji se najbolje može obavljati na prirodnom jeziku, najčešće predstavljenom u formatu pitanje-odgovor i ponekad dopunjenom slikama. Dijalog pokreće mehanizam za zaključivanje da upari simptome problema sa znanjem u bazi znanja i generiše savet.

5. Sposobnost da se prati odgovornost za formiranje zaključaka do njihovih izvorišta je ključna i u prenosu ekspertize i pri rešavanju problema. Podsistem za objašnjavanje može da prati takvu odgovornost i objasni ponašanje ES-a tako što interaktivno odgovara na pitanja (npr. Kako se došlo do određenog zaključka?).

6. Ljudski eksperti imaju sistem za prečišćavanje znanja. To znači da oni mogu da analiziraju sopstveno delovanje, da uče iz njega i unaprede ga za buduće konsultacije. Takva procena je neophodna u kompjuterizovanom učenju da bi program bio u stanju da se popravi analiziranjem razloga za svoj uspeh ili neuspeh.

PROCES IZGRADNJE I KORIŠĆENJA ES-a. ES proces se može podeliti u dva dela: razvoj sistema u kome je ES konstruisan, i, konsultaciono okruženje koje prikazuje kako se savet daje korisnicima.

Proces razvoja počinje sa inžinjerom znanja (graditelj sistema) koji prikuplja znanje od eksperata ili iz dokumentovanih izvora. To znanje se potom programira u bazi znanja kao činjenice o predmetnoj oblasti (domenu) i znanje u smislu pravila „ako-onda“.

Konsultaciono okruženje se sastoji od korisnika koji kontaktira sa sistemom preko korisničkog interfejsa da bi zatražio savet. ES obezbeđuje savet tako što skuplja informacije

9


od korisnika, najčešće na taj način što postavlja pitanja, a potom aktivira mehanizam za zaključivanje. Mehanizam pretražuje bazu znanja da nađe preporuku za akciju na bazi činjenica ili simptoma koje je korisnik dao i može da obezbedi ograničena objašnjenja. Da bi izvršio svoj posao, mehanizam za zaključivanje koristi bazu podataka za čuvanje sakupljenih informacija, zvanu tabla. I, konačno, znanje u bazi podataka može biti prečišćeno u procesu akumuliranja kroz ponovljene konsultacije.

Opšte kategorije ES-a prikazane su u sledećoj tabeli:

Kategorija Problem koji se razmatra

InterpretacijaIzvođenje zaključaka na osnovu opisa situacije dobijenih pri snimanju stanja.

Predviđanje Izvođenje zaključaka o verovatnim posledicama datih situacija.

DijagnozaZaključivanje o neispravnosti sistema na osnovu identifikovanog stanja.

Projekat Formiranje konfiguracije objekata uz uvažavanje ograničenja.

Planiranje Pravljenje planova za postizanje ciljeva.

Nadzor Poređenje snimljenog stanja s planovima, markiranje odstupanja.

Otklanjanje grešaka Davanje uputstava za otklanjanje neispravnosti.

Popravka Realizacija plana za postupanje po uputstvu za popravke.

InstrukcijeDijagnostika, otklanjanje grešaka i popravljanje rada kreatora sistema.

KontrolaInterpretacija, predviđanje, popravljanje i nadgledanje ponašanja sistema.

Obrada prirodnog jezika (NLP) i govorne tehnologije

Obrada prirodnog jezika 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 i da potom interpretira ulazne podatke. Ovo može da uključuje lingvističko znanje o rečima, domen znanja, zdravorazumskog znanja, i čak znanje o korisnicima i njihovim ciljevima. Kad računar jednom shvati ulazne podatke, on može preduzeti željenu akciju. Dva su tipa NLP:

1) Razumevanje prirodnog jezika, koje istražuje metode koji omogućuju računaru da shvati instrukcije date na svakodnevnom engleskom jeziku, preko tastature ili putem glasa, tako da računari mogu da razumeju ljude.

2) Generisanje prirodnog jezika, koje teži da omogući računaru da proizvede svakodnevni engleski jezik, na ekranu ili putem glasa (poznat kao sinteza govora), tako da ljudi mogu lakše da razumeju računare.

Aplikacije obrade prirodnog jezika (primena) :• čovek-računar interfejsovi (pretežno ka bazama podataka),

10


• sažimanje i sumiranje teksta,• gramatička analiza,• prevođenje jednog u drugi prirodni jezik,• prevođenje sa jednog na drugi računarski jezik,• razumevanje govora,• sastavljanje pisama pomoću mašina.

Najdominantnija upotreba NLP-e je kod interfejsova ili „čeonih“ elemenata za druge softverske pakete, posebno kod sistema baza podataka i upravljačkih sistema baza podataka. Takvi čeoni interfejsovi se koriste da pojednostave i unaprede komunikaciju između aplikacionih programa i korisnika. Čeoni elementi za prirodni jezik dozvoljavaju korisniku da koristi aplikacione programe uz pomoć svakodnevnog jezika.

Prednosti prepoznavanja i razumevanja govora. Krajnji cilj prepoznavanja govora je da omogući računaru da razume prirodni govor bilo kog govornika, bar onoliko dobro koliko slušalac može da ga razume. Pored činjenice da je ovo najprirodniji način komuniciranja, prepoznavanje govora ima nekoliko prednosti:

Lakoća pristupa. Mnogo više ljudi zna da govori nego da kuca. Sve dok komunikacija sa računarom zavisi od veštine kucanja, mnogi ljudi neće biti u stanju da efikasno koriste računar.

Brzina. Čak i najbolji daktilografi mogu brže da govare nego što kucaju. Procenjuje se da prosečna osoba može da govori dvostruko brže nego što vešt daktilograf može da kuca.

Sloboda ruku. Očigledno, komuniciranje sa računarom putem kucanja zauzima naše ruke. Ima mnogo situacija u kojima bi računari mogli biti korisni ljudima čije su ruke zauzete na drugi način, kao što su ljudi koji sklapaju proizvode, piloti i službenici. Prepoznavanje govora takođe omogućava ljudima sa telesnim nedostacima da koriste računare.

Daljinski pristup. Mnogi računari su podešeni tako da im se pristupa daljinski preko telefona. Ako udaljena baza podataka sadrži mogućnosti za prepoznavanje govora, mogli bismo da dobijemo informaciju izdavanjem usmenih komandi preko telefona.

Tačnost. Pri kucanju informacija, ljudi su skloni da greše. Greške su minimizirane u slučaju kada se podaci unose glasom.

Ograničenja prepoznavanja i razumevanja govora. Osnovno ograničenje razumevanja govora leži u nemogućnosti računara da prepozna dugačke rečenice, ili to može da uradi vrlo sporo. Što je sistem za prepoznavanje govora bolji, utoliko je skuplji. Takođe, u sistemima za prepoznavanje govora, ne možemo manipulisati ikonicama i prozorima, tako da može biti potrebno da se govor kombinuje se unosom podataka preko tastature, što usporava proces.

Obrada zasnovana na neuronskim mrežama

11


Ovo je obrada na računaru sa arhitekturom koja oponaša određene sposobnosti obrade koje poseduje mozak. Rezultati su: prikazivanja znanja i obrade zasnovanih na masovnoj paralelnoj obradi, brzo dobijanje velike količine informacija, i sposobnost da se prepoznaju obrasci zasnovani na iskustvima. Tehnologija koja pokušava da postigne ove rezultate naziva se neuronska obrada na računaru (neural computing) ili veštačke neuronske mreže (artificial neural networks – ANNs).

Veštačke neuronske mreže su inspirisane biološkim mrežama. One pozajmljuju ideje iz načina na koji funkcioniše ljudski mozak. Ljudski mozak je sastavljen od specijalnih ćeija koje se nazivaju neuroni. Procene broja neurona u ljudskom mozgu kreću se u velikom opsegu (i do 150 milijardi), i ima više od sto različitih vrsta neurona, podeljenih u grupe, zvane mreže. Svaka mreža sadrži nekoliko hiljada neurona koji su međusobno mnogostruko povezani. Tako se mozak može posmatrati kao skup neuronskih mreža.

Današnja neuronska obrada na računaru koristi vrlo ograničen skup koncepata od bioloških neuronskih sistema. Cilj je da se stimuliraju masovni paralelni procesi koji uključuju obradu međusobno povezanih elemenata u arhitekturi mreže. Veštački neuron prima ulazne podatke slično kao što biološki neuroni primaju elektrohemijske impulse od drugih neurona. Izlazni podaci veštačkog neurona odgovaraju signalima koje šalju biološki neuroni. Ovi veštački signali mogu biti promenjeni, slično signalima iz ljudskog mozga. Neuroni u ANN primaju informaciju od drugih neurona ili iz spoljnih izvora, menjaju informaciju i predaju je dalje drugim neuronima ili spoljnim izlazima.

Način na koji ANN obrađuje informacije zavisi od njegove strukture i od algoritma koji se koristi za obradu informacije.

KOMPONENTE I STRUKTURA ANN-a. Veštačke neuronske mreže su sastavljene od veštačkih neurona. To su elementi obrade. Svaki od neurona prima ulazne podatke, obrađuje ih i dostavlja jedan ili više izlaza.

1) Ulazi. Svaki ulaz odgovara jednom jedinom parametru. Na primer, ako je problem da se odluči o odobravanju ili odbijanju pozajmice, neki od parametara bi mogli biti nivo prihoda kandidata, starost i vlasništvo nad kućom. Nekoliko vrsta podataka, kao što su tekst, slike i glas, mogu biti korišćeni kao ulazni podaci. Predobrada bi mogla biti potrebna da bi se konvertovali sirovi podaci u ulaze sastavljene od simboličkih podataka koji imaju značenje, ili da se podaci skaliraju. Ulazni podaci se množe s težinama kada uđu u elemente obrade (Pes).2) Težine. Ključni elementi kod ANN su težine. One izražavaju relativnu snagu (ili matematičku vrednost) ulaznog podatka ili mnogo veza koje prenose podatke s nivoa na nivo. Drugim rečima, u slučaju zahteva za pozajmicom, težine izražavaju relativan značaj svakog parametra o kandidatu koji se unosi, zasnovanog na prethodnom iskustvu. Značaj težina je u tome što one čuvaju naučene obrasce informacija. Upravo preko ponavljanih podešavanja težina mreža uči.3) Funkcija sabiranja (Σ). Ova funkcija proračunava izmerenu sumu svih ulaznih elemenata koji ulaze u svaki element obrade. Funkcija sabiranja množi svaku ulaznu vrednost s njenom težinom i daje ukupne vrednosti za merenu sumu.4) Funkcija transformacije (∫). Ova funkcija sjedinjuje informacije proizvedene preko svih PE-a (Processing Element) i transformiše ih u ulazne podatke koji imaju smisla.5) Izlazi. Izlazi mreže sadrže rešenje problema. Na primer, u slučaju zahteva za pozajmicom to može biti „da” ili „ne”. ANN određuje numeričke vrednosti, kao 1 za „da” i 0 za „ne”. Namena mreže je da izračuna vrednost izlaza.

12


Često je potrebna postobrada izlaza. Izlazi mogu biti ulazi za druge odluke. Na primer, odluka da se odobri ili odbije pozajmica može biti ulazni element u odluci koja se odnosi na odobravanje hipoteke. Iz tog razloga ANN-i mogu biti sačinjeni od nekoliko slojeva procesnih elemenata.

Slično biološkim mrežama, neuroni mogu biti međusobno povezani na razne načine. Pri obradi informacije, mnogi od procesnih elemenata vrše računanje u isto vreme. Ova paralelna obrada podseća na način na koji radi mozak i razlikuje se od serijske obrade koja se primenjuje kod konvencionalne obrade na računaru.

Obrada informacije u mreži. Svaki ulaz odgovara vrednosti jednog jedinog atributa. Svi ulazi, uključujući kvalitativne atribute, glas, signale iz monitorskih uređaja, ili slike, moraju biti prethodno obrađeni u binarne (0 ili 1) ekvivalente. Sračunat izlaz mreže predstavlja rešenje problema. Izlazi mogu biti deo većeg ciklusa u kome postaju ulazi za druge faze obrade u mreži.

Hardver i softver. Mada je neuronska obrada na računaru struktuirana tako da se obavlja u više procesora (CPUs), znatno je jeftinije i jednostavnije koristiti rešenja sa jednim procesorom. Većina sadašnjih aplikacija neuronskih mreža koriste softverske simulacije sa jednim procesorom čije se sposobnosti povećavaju upotrebom specijalnih akceleratorskih kartica za računanje. Tako, aplikacije mogu čak da rade na PC-ima. U budućnosti će konačno biti ekonomski izvodljivo korišćenje nekih ANN-ova sa više procesora.

Prednosti i aplikacije neuronskih mreža. Vrednost tehnologija neuronskih mreža uključuje njenu korisnost za prepoznavanje obrazaca, učenje i interpretaciju nekompletnih ulaza u prisustvu jakog šuma.

Neuronske mreže imaju potencijal da obezbede neke od ljudskih karakteristika rešavanja problema koje su teške za simuliranje korišćenjem logičkih, analitičkih tehnika DSS (sistemi podrške pri donošenju odluka) ili čak ekspertskih sistema. Jedna od ovih karakteristika je prepoznavanje obrasca. Neuronske mreže mogu da analiziraju velie količine podataka da bi uspostavile obrasce i karakteristike u situacijama u kojima logika ili pravila nisu poznati.

Neuronske mreže pružaju nekoliko drugih prednosti, kao što su:- Tolerancija greške. Ako ima mnogo procesnih čvorova, šteta koja se načini na

nekoliko čvorova ili na vezama ne dovodi do zastoja sistema.- Generalizacija. Kada neuronska mreža dobije nekompletan ulazni podatak ili

podatak kakav nikad nije videla, ona može da generalizuje da bi proizvela razuman odgovor.

- Adaptibilnost. Mreža uči u novim okruženjima. Novi slučajevi se trenutno koriste da se program koriguje i očuva aktuelnost.

- Mogućnost predviđanja. Slično statistici, ovde se, takođe, predviđanje vrši na bazi ranijih podataka (tj. na osnovu predistorije).

13


Fazi logika

Fazi logika izlazi na kraj sa nejasnim situacijama tako što simulira procese ljudskog zaključivanja, dozvoljavajući računaru da se ponaša manje precizno i logično nego konvencionalni računari. Fazi logika je tehnika koju je razvio Zadeh (1994) i njeno korišćenje dobija podsticaj (Nguyen i Walker, 1999). Obrazloženje za ovakav pristup je da donošenje odluka nije uvek stvar principa crno i belo, istinito i lažno. On često uključuje sive zone, gde izraz možda više odgovara. U stvari, kreativni procesi donošenja odluka su često nestruktuirani, razigrani, sporni i rasplinuti.

Po mišljenju eksperata, produktivnost onih koji donose odluke može se višestruko povećati korišćenjem fazi logike. Fazi logika se mnogo češće koristi s drugim inteligentnim sistemima (ovakva kombinacija predstavlja hibridni sistem).

Inteligentni agenti

Inteligentni agenti (Inteligent Agents – Ias) predstavljaju relativno novu tehnologiju sa potencijalom da postane jedan od najznačajnijih instrumenata informacione tehnologije u XIX veku. Ias mogu da ublaže najkritičnija ograničenja Interneta – informaciono preopterećenje, i da olakšaju elektronsku trgovinu.

Inteligentni agenti su poznati pod nekoliko imena: softverski agenti, vodiči, roboti znanja i softverski roboti. Imena ponekad odražavaju prirodu agenta. Inače, izraz «agent» je izveden iz koncepta agencija, odnoseći se na princip zapošljavanja nekoga ko zastupa naše interese.

Postoji nekoliko definicija pojma «inteligentni agent». Svaka od njih odražava ugao gledanja onoga ko definiše. Navode se dva primera:

• Inteligentni agenti su softverski entiteti koji vrše neki skup operacija u ime korisnika ili drugog programa, sa određenim stepenom nezavisnosti ili autonomije, i pri tome koriste neka znanja ili predstave korisnikovih ciljeva ili želja. Oni to rade da bi obavili posao ili ostvarili cilj.

• Nezavisni agenti su sistemi izračunavanja koji su smešteni u neko složeno dinamično okruženje, osećaju i deluju samostalno u tom okruženju, i tako radeći ostvaruju skup ciljeva ili poslova za koje su dizajnirani.

Karakteristike inteligentnih agenata predstavljene su u sledećoj tabeli:

Karakteristika Opis

NezavisnostSposoban da deluje po svome, posvećen postizanju cilja i kooperativan, sposoban da prilagodi svoje delovanje ako je potrebno.

Aktivan odzivAgentov odziv mora biti korektivan (tj. Oni moraju ispoljiti ponašanje usmereno ka cilju preuzimanjem inicijative). Mora da radi bez konstantnog nadzora svog „gospodara“; mogao bi biti dislociran (daljinske operacije).

ModularanPrenosiv preko različitih sistema i mreža. Mnogi agenti nisu mobilni (npr. Vodiči u tabelarnim proračunima).

Posvećen i automatizovan

Obično kreirani da vrše specifičan posao koji se ponavlja i koji je težak. Višeznačnim poslovima je potreban višeagentni sistem.

InteraktivanKreiran da međusobno deluje s ljudskim agentima ili softverskim programima. Ovo je kritično za višeagentni sistem.

Uslovna obrada, Koristeći logiku zasnovanu na pravilima ili logiku uparivanja oblika (obezbeđenih

14


praksaod strane korisnika), agent može donositi odluke pri biranju konteksta u kome vidi promene u okruženju ili može slati upozorenja korisniku u određenim vremenskim intervalima.

Lak za upotrebu i pouzdan

Da bi bio efikasan, mora biti uverljiv i pokazati kooperativnost sa ljudima.

Sposoban da učiSamo neki agenti mogu stvarno da nauče ponešto, npr. Posmatranje korisnika i prognoziranje njegovog budućeg ponašanja. Agent mora biti veoma nezavistan.

Osnovni poslovi koji se mogu obavljati pomoću IA su sledeći:

- Pristup informacijama i vođenje (današnje osnovne aplikacije inteligentnih agenata).- Podrška pri odlučivanju i davanje punomoćja. Umnim radnicima je potrebna podrška, posebno pri donošenju odluka. IA može da olakša donoenje odluka i da prenese ovlašćenja na nameštenike.- Kancelarijske aktivnosti koje se ponavljaju. Postoji neodložna potreba za automatizacijom poslova koje obavlja administrativno osoblje u funkcionalnim oblastima, kao što su prodaja i usluživanje mušterija, da bi se smanjili troškovi radne snage i povećala produktivnost. - Svakodnevne personalne aktivnosti – U društvu u kome je ubrzan tempo života pojedinci koji raspolažu s veoma malo vremena imaju potrebu da svedu na minimum količinu vremena koje troše na rutinske personalne poslove (npr. Rezervacija avionskih karata), tako da više vremena mogu da posvete profesionalnim aktivnostima. Jedna specifična forma inteligentnog agenta je interfejs agent, aktiviran putem govora koji umanjuje napor korisnika pri davanju komandi računaru.- Pretraživanje i pozivanje. Nije moguće direktno rukovati raširenim sistemom baze podataka u ambijentu elektronske trgovine sa milion objekata. Korisnici poveravaju agentima poslove pretraživanja i poređenja cena. Ovi agenti obavljaju jednolične poslove, što zahteva mnogo vremena, kao i poslove pretraživanja baza podataka koji se ponavljaju, uzimanja i prečišćavanja informacija i dostavljanja rezultata korisniku. - Eksperti domena. Preporučljivo je da se skupe ekspertize modeliraju i učine široko dostupnim. «Ekspert» softver agenti bi mogli biti modeli agenata iz stvarnog sveta, kao što su prevodioci, advokati, diplomate, sindikalni pregovarači, berzanski agenti, pa čak i sveštenici.- Mobilni agenti. Agenti mogu biti statični, smešteni na klijentovoj mašini da upravljaju korisničkim interfejsom, na primer, ili mogu biti mobilni. Mobilnost je stepen do kojeg agenti sami putuju kroz mrežu. Mobilni agenti mogu da se kreću od jedne do druge Internet lokacije, mogu da šalju i preuzimaju podatke od korisnika, koji za to vreme može da se koncentriše na drugi posao. Na primer, ako korisnik želi neprekidno da posmatra elektronsku aukciju koja traje nekoliko dana, on bi trebao da bude u mreži nekoliko dana u kontinuitetu. Umesto njega, ovaj posao može da obavi mobilni agent. - Administrativne i upravljačke aktivnosti. Inteligentni agenti se mogu koristiti i da pomažu administrativnom osoblju, profesionalnom osoblju i menadžerima u obavljanju njihovih aktivnosti. Neki od poslova koje agent može da obavi su da: savetuje, alarmira, prenosi, pretražuje, kritikuje, distribuira, angaćuje, daje ovlašćenje, objašnjava, prečišćava, pomaže, identifikuje, upravlja, pregovara, organizuje, prezentira ...

Aplikacije inteligentnih agenata:

15


• Korisnički interfejs. Mnogi korisnici smatraju grafički korisnički interfejs komplikovanim za učenje i korišćenje, posebno njegove nerutinske funkcije. S povećanjem sposobnosti i aplikacija računara, korisnički interfejs treba da se prilagodi većoj složenosti. Inteligentni agenti mogu da pomognu kod oba ova problema. Tehnologija inteligentnog agenta dozvoljava sistemima da nadgledaju korisnikovo ponašanje, razviju modele korisnikovih sposobnosti i automatski pomognu kad se jave problemi sa interfejsom (Microsoft animirana porodica agenata – Merlin, Robby, Genie i Peddy).• Agent operativnih sistema. Agenti mogu asistirati pri upotrebi operativnih sistema. Na primer, Microsoft Corp. Ima nekoliko sistemskih agenata (zvanih čarobnjaci) u svom NT operativnom sistemu. Neki su smešteni na NT serveru, dok su drugi na radnim stranicama. Ovi agenti asistiraju u sledećim poslovima: dodaju korisnikove račune, upravljaju pristupom fajlovima i folderima, dodaju štampač, dodaju/uklanjaju programe, dobijaju programe, dobijaju dozvole i instaliraju nove modeme. Oni, takođe asistiraju pri grupnom upravljanju mreža-klijent administracijom.• Agenti za tabelarne proračune. Agenti za tabelarne proračune čine softver mnogo lakšim za upotrebu. Primer inteligentnog agenta je Vodič karakteristika koji se može naći kod Microsoftovog Excela. Vodič predstavlja u paket ugrađenu sposobnost da „gleda” korisnike i nudi sugestije, dok oni sami pokušavaju da izvrše poslove. • Praćenje procesa rada i agenti upravljanja poslovima. Administrativno upravljanje podrazumeva i upravljanje praćenjem procesa rada i oblasti kao što su integracije računar/telefon, gde su procesi definisani i potom automatizovani. U ovim oblastima korisnici ne samo da imaju potrebu da učine procese mnogo efikasnijim, već takođe imaju potrebu da smanje troškove angažovanja ljudskih agenata. Inteligentni agenti se mogu koristiti da otkriju i zatim da automatizuju korisnikove želje ili poslovne procese. • Pregovaranje u elektronskoj trgovini. Izazovan sistem je onaj u kome agenti treba da pregovaraju jedan s drugim. Takvi sistemi su posebno primenljivi u elektronskoj trgovini, gde agenti mogu da pregovaraju da bi dobili najbolju cenu za automobil, hotel, avionsku kartu itd.

16


Zaključak

Veštačka inteligencija, kao deo kompjuterske nauke, usmerena je ka stvaranju računara koji se ponašaju kao ljudska bića. Veštačka inteligencija obuhvata igre - računarske programe koji mogu da igraju igre kao što je šah, ekspertske sisteme - računarske programe koji omogućavaju donošenje odluka u realnim situacijama (neki ekspertski sistemi, na primer, pomažu lekarima u dijagostifikovanju bolesti na bazi određenih simptoma kod pacijenta), prirodne jezike - računarske programe koji razumeju prirodne ljudske jezike, neuralne mreže - sisteme koji simuliraju inteligenciju nastojeći da oponašaju tipove fizičkih veza koje postoje u mozgu i robotiku - računarske programe koji "vide", "čuju" i reaguju na druge stimulacije senzora. Još uvek smo daleko od potpunog osvajanja onoga što veštačka inteligencija podrazumeva, dakle, od sistema koji su sposobni da u potpunosti simuliraju ljudsko ponašanje. Jedan sistem veštačke inteligencije može imati enormno veliku brzinu procesiranja informacija, ali jednostavno ne poseduje kompletnu svest o sopstvenom postojanju.

Po svemu sudeći, najbolji način da se razvije zaista inteligentni sistem jeste da se koriste osobine jedinog inteligentnog sistema u prirodi - ljudskih bića. Mnogo toga znamo o funkcionisanju neurona, relativno dobro poznajemo topologiju mozga i imamo široko razumevanje osobina ovog sistema. Trudimo se da razvijemo jednostavne neuralne modele koji će moći da dostignu nivo kognitivne arhitekture. Kada se to postigne, posvetićemo se specijalizovanim modulima pojedinih oblasti u mozgu. Razvojem računarskih neuralnih modela, koji simultano rešavaju veći broj zadataka iz prakse, prevazišli bi se problemi i ograničenost domena od kojih pate današnji sistemi i načinio značajan skok ka stvaranju veštačke inteligencije. Tek tada će i roboti s početka priče možda postati čovekolika stvorenja u pravom smislu te reči.

17


Literatura

1. INFORMACIONA TEHNOLOGIJA ZA MENADŽMENT, prevod knjige INFORMATION TECHNOLOGY FOR MANAGEMENT, 3rd

edition, Turban,E., McLean,E. Wetherbe, J.John Wiley & Sons, Inc. 2002, Zavod za udžbenike i nastavna sredstva, 2003. Beograd

2. http://solair.eunet.yu/~ilicv/AI_index.htm

3. http://www.serbiandownload.com/sdforum/index.php?topic=2269.0;wap2

4. http://www.sgi.co.yu/html/003/00312.html

18

inteligentni sistemi

Documents