90. Mi az MI program, tudásalapú rendszer, szakértıi rendszer és kapcsolatuk? MI program Olyan programok, amik a beérkezı információkat valamilyen logikus módszerrel képesek feldolgozni, még akkor is, ha a hagyományos megoldásokkal a probléma nem, vagy csak nehezen lenne kezelhetı. Azaz többek közt problémákat old meg, tanul korábbi tapasztalataiból, megért természetes nyelvő közléseket, és emellett olyan viselkedést mutat, amit emberek esetében intelligensnek neveznénk. Tudásalapú rendszerek (Knowledge Based System) Olyan mesterséges intelligencia program, aminek a tudásbázisa a programtól elkülönítve helyezkedik el. Szakértıi rendszerek (Expert System) A tudás alapú rendszerek azon fajtája, ahol szakértıi ismeretek használatával magas szintő megoldást adnak egy szők, jól definiált problémakörre. 92. Jellemezze a szakértıi rendszerek piaci fázisait! 1983-85: Az új tudásalapú technológia kutatása • Általános célú, Lisp-alapú nagygépes shellek. 1986-88: Az új technológia bizonyítása a piacon. • Kialakult a közép és kisgépes piac, megjelentek a viszonteladók. • Shell háború. • Az alkalmazások fejlesztésekor prototípusokat készítettek. • Telítıdött a piac. 1989-tıl: A hagyományos és új technológia összeolvadása • Alkalmazás orientált eszközök megjelenése. • Céllá vált a tudásalapú rendszerek építése. • Integrált alkalmazások, és támogató rendszerek kialakulása. • A hibrid shell-ek nagyobb szerepet kaptak. 93. Melyek a tudásalapú technológia kialakulásának lépcsıfokai? 50-es évek Kialakultak az idegrendszeri hálózatok. (alakfelismerés kezdetei, neurofiziológia alapjai) 60-as évek Ezt az idıszakot a heurisztikus keresés, és a GPS (General Problem Solver) jellemezte. Rendszereket tételbizonyításokra, sakkjáték szimulálására használták. Az volt az általános feltételezés, hogy a gondolkodás szimbólum manipulációként zajlik. (azaz összehasonlítás, keresés, módosítás, stb.) Ebben a korszakban tevékenykedett pl.: Turing. 70-es évek Kialakult a tudás reprezentáció, és a tudás alapú technológia. Létrejöttek a szakértıi rendszerek. (pl.: molibdén lelıhely meghatározó szakértıi rendszer volt a PROSPECTOR) 94. Mi a tudás elve és a tudásalapú/szakértı rendszerek fıbb elınyei? A tudás elve A feladat megoldás képessége attól függ, mennyi és milyen magasan színvonalú speciális tudást képes igénybe venni a feladat megoldása során. A tudásalapú/szakértıi rendszerek elınyei • Pótolják a szakértıhiányt, elérhetı áron terjesztik a szakértıi ismereteket. • A tárgyterület változásait jól követik, a tudásbázist könnyő módosítani. • Növelik a szakértı képességeit. • Fokozzák a szakértı produktivitását. 95. Vesse össze az emberi szakértıi tudás és a szakértıi rendszerek ismereteit! Emberi szakismeretek „Mesterséges” szakismeretek Állandó tartós „halhatatlan”, könnyő átvinni Múlandó (ha nem használjuk, elfelejtjük, nehéz reprodukálni,(oktatni a szakértıi átadni, oktatással terjeszthetı) rendszerhasználatát kell) Nehezen dokumentálható Könnyen dokumentálható Nem mindig következetes, gyakran labilis (emóciók) Mindig következetes (érzéketlen) Kreatív, innovatív Ihlettelen, lélektelen Csak azt tudja, amit belegépelnek, (nincsenek A körülményekhez alkalmazkodik, tanul hatékony gépi tanulási mechanizmusok) Nincs tudatában ismeretei korlátainak (hacsak bele nem programozzák „Forduljon Általában ismeri tudásának, képességeinek határait szakértıhöz”) Az ember a környezetéhez különbözı A rendszer felhasználói felülete általában egy érzékszervekkel kapcsolódik (hall, lát, érez) féle pl.: korlátozott természetes nyelvi
1
A gondolkodási folyamatok változatosak, gazdagok Nagyon meg kell fizetni, és általában nehezen elérhetı Széles látószögbıl, több aspektusból (Dinamikusan, a helyzettıl függıen) vizsgálja a problémákat Többszintő modellekkel operál Van hétköznapi józan esze
kommunikációt biztosít A belsı feldolgozás szimbólumokkal és numerikus értékekkel manipulál Elérhetı áron megszerezhetı, a „helyszínre vihetı” és sokszorosítható Szők technikai látószögő, csak a beépített aspektusokból tud a problémákhoz hozzáállni Jellemzıen felszíni modelleket használ Nincs hétköznapi józan esze, csak technikai tudása Nem lehet vakon hinni benne. Csak tanácsot, javaslatot várjunk tıle
96. Melyek a szakértıi rendszerek fıbb elınyei? • Pótolják a szakértıhiányt, elérhetı áron terjesztik a szakértıi ismereteket • A tárgyterület változásait jól követik, a tudásbázist könnyő módosítani • Növelik a szakértı képességeit • Fokozzák a szakértı produktivitását • Megırzik a szakértelmet • Létrehozhatók hagyományos technikával meg nem valósítható rendszerek • Mindig következetesek a tanácsadásban • Állandóan rendelkezésre állnak • Képesek részleges, nem teljeses adatokkal is dolgozni 97. Melyek az emberi információ feldolgozás jellemzıi? • Holisztikus, intuitív, analógiákra épülı információ feldolgozás • A döntések irányelvei, perspektívái és szabályai többnyire azonosíthatóak • Az emberek szeretik a dolgokat egészben átlátni. • Minél kevesebb információ áll rendelkezésre egy probléma megoldásához, annál jobban mőködnek együtt az emberek • Az emberek csak ritkán koncentrálnak csupán egy problémára, hanem – bár nem szisztematikusan – inkább különbözı probléma-megoldó helyzetet párhuzamosan kezelnek • Az emberi teljesítmény csökkenhet, ha egymással összefüggı feladatokat kell különbözı kidolgozási szinten párhuzamosan kezelni • Az emberek csak erısen korlátozottan képesek logikailag ellentmondásos vagy statisztikai információkat kezelni. 98. Melyek az emberi információ feldolgozás tipikus hibái? • Vágy az önigazolásra • A tények és a jelenségek összetévesztése • A megerısítés iránti elfogultság • A személyes tapasztalat túlhangsúlyozása • Konzervativizmus • A visszaemlékezés könnyősége • A hazárdjátékos tévhite • Utólagos éleslátás • A kontroll illúziója • Az összefüggés illúziója • Sorozat hatás 99. Milyen feladatok megoldására készülnek a döntéstámogató rendszerek, melyek a döntési típusok? A döntéstámogató rendszerek a részlegesen vagy rosszul strukturált helyzetekben, a szervezetek döntéshozóit segítik a technológiai és vezetıi döntések meghozatalában. • A döntéstámogató rendszerek elsıdleges célja az információs technológia segítségével megnövelni a szervezetek döntéshozóinak hatékonyságát. • A szakértıi rendszerek jól behatárolt szakterülettel, strukturált problémákkal kapcsolatban adnak támogatást • A döntéstámogató rendszerek komplex, nehezen strukturálható problémakörökben segíthetnek. Döntési típusok: • Mindennapi cselekvésekkel kapcsolatos döntések • Vezérléssel kapcsolatos döntések, melyek célja a cselekvések hatékonyságának biztosítása. • Menedzseri döntések, melyek célja az erıforrások hatékony felszabadításának biztosítása. • Stratégiai döntések, célja a magasabb célok és irányelvek alapján az erıforrások elosztásának biztosítása. 100. Milyen tipikus részekbıl áll egy döntéstámogató rendszer?
2
101. Melyek a klasszikus tudásábrázoló módszerek, elınyeik-hátrányaik? A procedurális tudásábrázolás elınyei: • Könnyő a cselekvésre vonatkozó tudást ábrázolni • Könnyő olyan tudást ábrázolni, amely heurisztikát is tartalmaz • A leíró sémákkal nem kezelhetı tudást könnyő leírni A deklaratív tudásábrázolási technikák elınyei: • Minden tényt csak egyszer kell ábrázolni • Könnyő új tényeket adni a rendszerhez anélkül, hogy a korábbiakat megváltoztatnánk 102. Mit értünk adatbányászat alatt? Az adatbányászat célja mintázatok (szabályok) automatikus keresése (felismerése) nagytömegő adatokban. 103. Mi a lényegi különbség a hagyományos és a neurális hálózatra épülı információ feldolgozás között? Mérnöki szempontból a neurális hálózatok olyan Információ feldolgozó eszközök, amelyeket valamilyen tanulási algoritmus és nagyfokú párhuzamos mőködés jellemez. Mesterséges neurális hálózatok rendelkeznek tanulási algoritmussal, ezáltal képesek a rendelkezésre álló adatokból tudást kinyerni, az összefüggéseket, hasonlóságokat felfedezni, míg a hagyományos hálózatoknál hagyományos algoritmikusszámítási rendszereket alkalmazunk. A neurális hálózatokat nem programozzuk, hanem tanítjuk, így nem csak annyit tud, amennyit elıre leprogramozunk neki. A párhuzamos felépítés a nagysebességő mőködés mellett hibatőrı képességet is biztosít a neurális rendszerek számára, míg a tanulási képesség lehetıvé teszi olyan feladatok – általában közelítı – megoldását, amelyeknél a tudás csak adatok formájában áll rendelkezésre. 104. Melyek a neurális hálózatok általános jellemzıi? • A neurális hálózatok nagyon egyszerő processzorokból, az un. neuronokból épülnek fel. A processzorok változtatható súlytényezıjő összeköttetések hálózatán át kommunikálnak egymással. • A neurális hálózatokat nem programozzuk, hanem tanítjuk. • A tárolt információk a hálózatban elosztottan, a súlytényezık közvetítésével ábrázolódnak. • A neurális hálózatok hibatőrık. Az elosztott párhuzamos tudásreprezentáció miatt a súlytényezık egy részének jelentıs megváltozása sem befolyásolja alapvetıen a hálózat mőködését. • A hálózat mőködését három fı tényezı határozza meg: A processzorok átviteli függvénye, a hálózat összeköttetési sémája és a tanítási módszer 105. Melyek a "McCulloch és Pitts" formális neuron jellemzıi? • Elıször tekintették az agyat számításokat végzı szervnek • Sj = ∑wjiIi, ahol w = súlytényezı; I = bemenet • Oj = 0, ha Sj <= 0; Oj = +1 ha Sj > 0 • Az idegsejt mőködése „minden vagy semmi jellegő” • Az idegsejt ingerületbe hozásához bizonyos idın belül néhány (legalább 2!?) bemenetet ingerelni kell • Az idegrendszerben az egyetlen jelentıs késleltetés a szinapszisoknál jön létre • Bármely gátló szinapszis mőködése teljesen megakadályozza az idegsejt ingerületbe kerülését • Az idegrendszer összeköttetési hálózata az idıben nem változik 106. Melyek a neurális hálózatok alkalmazásainak közös jellemzıi? • A megoldandó problémával kapcsolatban adathalmaz áll rendelkezésre • A megoldáshoz szükséges szabályok ismeretlenek és túl költséges a megismerésük • A rendelkezésre álló adathalmaz nem teljes, hibás adatokat is tartalmazhat • Sok bemenı illetve kimenı adat, a megoldás több összefüggı paramétertıl függ 107. Mi a különbség az ANN és a CNN között? Mesterséges neurális hálózatok ANN Cellular Neural Network L.O. Chua, L.Yang, T. Roska 1988 Lokális kapcsolatok Analóg áramkörök ANN: biológiából kiinduló információ-feldolgozás (neuronok) ANN magában foglalja a CNN-t (halmaz ábra) 108. Melyek a neurális hálózatok legfontosabb meghatározó tényezıi? • A processzorok (neuron, artificial neuron, node, unit, cell) • A hálózati topológia („mit mivel kötünk össze”) • A tanító szabályokat alkalmazó algoritmus („súlytényezık beállítása, hangolása”) 109. Melyek a neurális hálózatoknál leggyakrabban alkalmazott átviteli függvények? 110. Hogyan ábrázolhatjuk a különbözı hálózat topológiákat?
3
Világoskék: csak szorzótényezıvel tud hatást kiváltani a következı neuronra. Sokszor 2 tanítóréteg is elég.
111. Hogyan értelmezzük a neurális hálózatok tanító adatait? Addig állítom a súlytényezıket, amíg a megfelelı kimenetet kapom. 1. minta, majd 2. minta és végig. hurokban megyünk, amíg jó lesz a hálózat. felsı rész: tanító minták ( sosem látott adatok) alsó rész: teszt adatok
112. Súlymátrix segítségével hogyan ábrázolhatjuk a különbözı neurális hálózat topológiákat? Tiszta mátrix mővelet. (Az emberben 3 rétegő neuron van. Agykéreg 10 réteg,de nem egyszerő függvény leképezés. Bonyolult feladatok.)
113. Mi a Hebb szabály és a delta szabály lényege? A Hebb szabály: Ha két neuron ugyanaz, akkor erısíti egymás kapcsolatát. Ha a két neuron ellentétes, akkor leépíti a kapcsolatot. wji(t+1) = wji (t) + α* Oi * Oj, ahol α = tanítási tényezı, 0 <= α <= 1 Delta szabály (Widrow- Hoff): Célérték és kimeneti érték különbsége. wji(t+1) = wji (t) + α * Oi * (Cj – Oj), ahol Cj = célérték, Oj = kimenet 114. Mi a felügyeletes tanítás lényege és algoritmusa? Addig hangoljuk a súlytényezıket, amíg a bemenetre a hálózat megfelelı-, elıre kiszámított választ nem ad. Algoritmusa: 1. Kezdeti súlytényezık beállítása 2. A tanítóminta bemeneti értéke alapján a hálózat kimeneti értékének kiszámítása. 3. A tanítóminta célértékének összehasonlítása a hálózat célértékével. 4. Szükség esetén a hálózat súlytényezıinek módosítása. 5. A tanítás folytatása mindaddig, amíg a hálózat az összes tanítómintára – egy elıre rögzített hibahatárnál kisebb hibával a célértéknek megfelelı kimeneti értéket nem tudja elıállítani. 115. Mi a felügyelet nélküli tanítás lényege és algoritmusa A gyıztes visz mindent 1. Kezdeti súlytényezık beállítása (inicializálás, véletlenszerő) 0<Wj<1 2. A tanítóminta i. értéke (vektora) alapján, a processzorok kimeneti értékeinek kiszámítása. Sj = ∑Oi * wji , Oj = f(Sj) 3. A legnagyobb kimeneti értékő processzor kiválasztása. A gyıztes visz mindent elv alapján, a gyıztes kimeneti értéket 1-re, az összes többi kimeneti értéket 0-ra változtatjuk 4. A gyıztes elem súlytényezıit megváltoztatjuk (csak azokat!) ∆ Wji (t+1) = Wji (t) + ∆ wji, ∆wji = α (Oi/m-wji(t)) ahol α = tanulási együttható, 0 < α << 1 (tipikusan 0.01-0.3) m = az aktív bemenetek száma
4
5. A 2. 3. 4. pont ismétlése amíg a kimenetek két egymást követı tanítási ciklus során nem változnak. 116. Hogyan jellemezhetjük a perceptron paradigmát? • Csak egy réteg tanítását teszi lehetıvé • Csak lineárisan elválasztható csoportokat tud osztályozni. 117. Hogyan mőködik a perceptron tanító algoritmus? Kezdeti súlytényezık beállítása (random !?) Tanítás iter amíg a hiba el nem éri a hibahatárt (Hi <= Hh) k= 0, Hi= 0 Minták iter amíg k = p nem teljesül (ahol p = tanító minták száma) A k. tanítóminta bemeneti vektora alapján processzoronként az aktiváció kiszámítása Sjk= ΣIjk * Wji A küszöb átviteli függvény alapján processzoronként a kimeneti értékek kiszámítása. (Oj) A hálózat súlytényezıinek módosítása. k k ha Oj = Cj , akkor wji(t+1) = wji(t) k k ha Oj = 0 és Cj = 1 akkor wji(t+1) = wji(t) + Iik(t) k k ha Oj = 1 és Cj = 0 akkor wji(t+1) = wji(t) - Iik(t) A hálózat hibájának kiszámítása Hjk=Cjk-Ojk A hibák összesítése Hi=Hi+Hj K:=K+1 Minták end Tanítás end 118. Mire képes és mire nem az egy tanítható réteggel rendelkezı perceptron? egy rétegő elıre csatolt hálózat, csak lineárisan elválasztható csoportokat tud osztályozni (ellenkezıjére nem képes) 119. Mi a delta szabály analitikus származtatása? 120. Mi az általánosított delta szabály? Hiba függvény súlytényezık szerinti parciális deriváltja 121. Hogyan jellemezhetjük a hiba visszavezetı („Back Prop”) paradigmát? „A hálózat súlytényezıit a hiba létrehozásában játszott szerepükkel arányosan változtatjuk.” 123. Mi a Kohonen neurális paradigma? N dimenziós input vektorokat topológiailag rendezve képez le 1 vagy 2 dimenzióra. Hálózat topológia: egy rétegő, teljesen összekötött, elırecsatolt => A Kohonen-hálózat egyidejőleg veszi figyelembe a külsı adatokat és a belsı kapcsolódásokat. 124. Hogyan mőködik a Kohonen tanító algoritmus? 1. Kezdeti súlytényezık beállítása. Kezdeti környezet beállítása 2. A bemeneti vektor (tanító minta) rákapcsolása a bemenetekre 3. Minden processzor elemnél a bemenı vektor és a súlyvektor egyezésének (távolságának) kiszámítása: ahol N = a bemeneti vektor elemeinek száma; Ii = a bemeneti vektor (I) i. elemének értéke; Wji = a j. processzor elemhez tartozó, az i. bemenettıl érkezı összeköttetés súlytényezıje 4. A legkisebb eltérést mutató processzor kiválasztása (pl. j) 5. A kiválasztott elem (j) környezetében (Nj) a súlytényezık módosítása 6. A 2., 3., 4., 5.-ik lépés ismétlése amíg a kimenetek 2 lépésig nem változnak 125. Mi a neurális hálózatok tervezésének menete? 1. Reprezentatív tapasztalati adat győjtése (bemeneti adatok és (elvárt válaszok)) 2. Megfelelı feladat specifikus neurális paradigma kiválasztása 3. Rendszer paraméterek (a processzorok átviteli függvényének, a processzorok számának, a tanítási módszernek és paramétereinek, valamint a kezdeti súlymátrix értékeinek) kiválasztása 4. Teljesítménymérı módszer kiválasztása 5. A rendszer tanítása és tesztelése (Amíg az elvárt eredményhez nem jutunk!) ((Vagy a sikertelenség miatt fel nem adjuk a tanítást)) 126. Mikor célszerő neurális hálózatot alkalmazni? • A megoldandó problémával kapcsolatban gazdag adathalmaz áll rendelkezésre • A megoldáshoz szükséges szabályok ismeretlenek • A rendelkezésre álló adathalmaz nem teljes, hibás adatokat is tartalmazhat • Sok összefüggı bemenı adat-, összefüggı kimeneti paraméter áll rendelkezésre 127. Milyen kérdéseket kell eldönteni a neurális hálózatok tervezése során? Processzor szinten: - a processzor átviteli függvénye - a bemenı jelek típusa Hálózat szinten: - a hálózat topológiája - rétegelt struktúránál a rétegek száma - processzorok száma a különbözı rétegekben - processzorok típusa a különbözı rétegekben Tanítási szinten - tanító algoritmus
5
- tanítási paraméterek (pl.: α, β,….) - a tanítás megállásának feltételei 128. Hogyan lehet összehasonlítani a neurális hálózatok és a szakértıi rendszerek 129. jellemzıit? Neurális hálózatok Szakértıi rendszerek Nincs tudás-hozzáférési probléma Nehéz a tudás megszerzése Dinamikus tudásábrázolás Statikus(abb) tudásábrázolás Minta kiegészítı képesség Feltételezzük az adatok (általánosítás = generalizálás) hibátlanságát és ellentmondás mentességét Robusztus Érzékeny az adatvesztésre (nem érzékeny az adatvesztésre) Interpolálni képes Nincs intuitív képessége Többet „tudhat” mint ami az Legfeljebb olyan jó lehet adatokból látszik Nincs magyarázat adás Részletes magyarázat kérhetı Nincs igazoló képessége A döntéseket viszonylag könnyő igazolni. 130. Mit értünk lágy számítási modell alatt, melyek tipikus formái? Fuzzy fogalom eredeti értelme: életlen, homályos A fuzzy fogalomhoz kapcsolható szinonimák: crisp : éles, tiszta, kemény fuzzy: homályos, zőrös, lágy A fuzzy (halmazokra épülı) rendszerek a lágy számítási modellek közé tartoznak, melyek a biológiai információ feldolgozást tekintik kiindulásnak. Területei: 1. neurális hálózatok, 2. fuzzy rendszerek, 3. genetikus algoritmusok 131. Mi a Fuzzy logika lényege és alkalmazásának alapfeltevése? • A matematika, a számítástudomány és a villamosmérnöki tudományok határán helyezkedik el. • A rendszerek mőködését és vezérlését meghatározó törvények nyelvi eszközökkel (szavakkal) leírhatók. • Alapja a Fuzzy halmazelmélet. • Átmenet van az igaz és a hamis között. Bevezeti a részleges igazságtartalmat • Az emberi tudás megjeleníthetı a technikában. • Szinte mindenre ki lehet terjeszteni (?). 132. Melyek a Fuzzy logika alkalmazásának ígéretei? • Következetes és szilárd alapot ad a pontatlan és bizonytalan információ feldolgozáshoz. • Interfészt biztosít az emberek által kedvelt nyelvi változók és a számítógépek mennyiségi változói között. • Hidat képezhet az MI szimbólum feldolgozó megközelítése és a neurális hálózatok között. • A hagyományos modellekkel szemben jelentısen egyszerőbb rendszer leírást tesz lehetıvé. 133. Mikor célszerő Fuzzy logikát használni? • Összetett rendszerekben, ahol nehéz, vagy lehetetlen megfelelı rendszermodellt kialakítani • Olyan rendszerekben, melyeket szokásosan emberi szakértı irányít, (emberek adják a bemeneteket vagy a szabályokat) • Olyan rendszerekben melyek folyamatos, vagy közel folyamatos bemenetekkel és nem lineáris kimeneti válaszfüggvényekkel jellemezhetık • Olyan rendszerekben, melyekben a pontatlanság és a homályosság a rendszer gyakori velejárója 134. Mi a tagsági függvény értelmezése (gyakorlati megvalósításai)? Tagsági fv.: megadja a változó igazságtartalmát
135. Hogyan értelmezzük az alapvetı logikai függvényeket (és, vagy, komplemens) a Fuzzy logikában? Két fuzzy halmaz AND (metszet) mővelete az a halmaz, amely a két argumentum halmaz közös elemeit tartalmazza, minden elemet véve a legkisebb elıforduló beletartozási értéken. Két fuzzy halmaz OR (unió) mővelete az a halmaz, ami minden elıforduló elemet tartalmaz a lehetı legnagyobb beletartozási értéken véve. Egy halmaz negáltján azt a halmazt értjük, mely tartalmazza az összes elemet, de az eredmény halmaz elemeinek tagsági értékeit kivonjuk 1-bıl.
6
136. Hogyan értelmezzük a szabályt a Fuzzy logikában? 137. Mi a Fuzzy logikát alkalmazó szabályalapú rendszer blokkvázlata és mőködése? Konkrét (crisp) érték fuzzyvá alakítása = „fuzzyfikálás” Fuzzy változók konkrét értékké alakítása = „ defuzzifikálás”
138. Mi a Fuzzy logika alkalmazásának menete? 1. A bemeneti és kimeneti változók és tagsági függvényeinek meghatározása. 2. A Fuzzy szabályok létrehozása. 3. Következtetı (válaszkiválasztó) mechanizmus kiválasztása. 4. Szimulátor segítségével a rendszermodell mőködésének ellenırzése, „behangolása”. 140. Mi a Mamdani-féle következtetés értelmezése? A következtetés eredményeként keletkezı fuzzy halmazt a bemenı adatok fuzzy halmaza és a szabálybázist leíró fuzzy reláció (max-min) kompozíciójaként állítja elı 141. Miért van szükség válasz kiválasztó technikákra a Fuzzy logikában? Céljuk: A számos egyidejőleg aktivizált szabály kiértékelésével egy konkrét válasz kiszámítása 126. Mi a maximáló, a „singleton”, a központi valamint a súlyozott átlagoló módszer lényege? Maximáló módszer: Az aktivizált (egyidejőleg Singleton: Központi: mőködı („tüzelı”)) szabályok kimenı változói közül a legnagyobb hatást adót választjuk
Súlyozott átlagoló módszer: Az aktivált szabályok kimeneteinek (tagsági függvényeinek) súlyozott átlagát vesszük k Súly = a tagsági függvény területe k = (XaSa+XbSb)/2 127. Mi a biológiai inspirációjú informatika, az un. "lágy számítási modellek" kapcsolata? 1. a.) a neurális hálózat tanítása (súlykeresés), topológia megkeresése b.) az egyed rátermettségének változtatása a tesztelés során 2. a.) Fuzzy változók tagsági függvényeinek meghatározása, Fuzzy szabályok keresése b.) Fuzzy kiértékelı módszerek alkalmazása az egyedek rátermettségének meghatározására 3. a.) a neurális hálózatok adaptív tulajdonságainak bevitele a Fuzzy logikát alkalmazó rendszerekbe. b.) szabályok automatikus feltárása tapasztalati adatokból 128. Helyezze el a formalizált tudás dimenziójában a neurális 129. Jellemezze és hasonlítsa össze a hagyományos és elvő és a Fuzzy logikára épülı modelleket! az elosztott mesterséges intelligencia (EMI) megközelítéseket! Koncentrált (MI) ↔ Elosztott (EMI) - Holland-féle osztályozó rendszer - Tábla paradigma - Ambiens (Ambient) intelligencia 130. Melyek az elosztott mesterséges intelligencia rendszerekben megoldandó alapvetı problémák? • Hogyan írjuk le, bontsuk fel és rendeljük hozzá a problémákat a feladat megoldására szervezıdı külön-külön intelligens alrendszerek között, valamint a részeredményeket hogyan szintetizáljuk? • Hogyan biztosítsuk az alrendszerek kommunikációját és interakcióját? • Milyen nyelvet, protokollt használjanak és mikor kommunikáljanak? • Hogyan biztosítsuk az alrendszerek koherens viselkedését, és hogyan kerüljük el az esetlegesen káros összeütközéseket? • Hogyan jön létre az alrendszerek mőködésének ütemezése? • Milyen technikai megoldásokat használjunk az elosztott mesterséges intelligencia rendszerek tervezésére és építésére, optimalizálására? 131. Mit értünk beágyazott „ambiens” intelliges rendszer alatt?
7
A befogadó fizikai/kémiai/biológiai környezetükkel intenzív, valós idejő információs kapcsolatban álló, autonóm mőködéső, szolgáltatás biztos (dependable), “láthatatlan”számítógépes rendszerek, melyek lokálisan (általában) korlátozott, globálisan (általában) bıséges erıforrásokkal (idı, adat, tápellátás, memória, ...) rendelkeznek. 132. Jellemezze a Holland féle osztályozó (Classifier) rendszer fıbb részeit és mőködését! • Bemeneti interfész: a környezet aktuális állapotát szabványos üzenetté alakítja át. • Az osztályozók tárolója: a rendszer információ feldolgozó eljárásait leíró szabályokat tartalmazza. • Üzenet lista: egyrészt a bemeneti interfésztıl, másrészt az aktivizált és engedélyezett szabályoktól érkezı üzeneteket tartalmazza. • Kimeneti interfész: átalakítja az üzenetek egy részét olyan rendszer-válaszokká, melyek módosítják a környezet állapotát. 133. Mi a "Bucket Brigade" algoritmus célja és mőködése? Célja: elosztott, inkrementális tanulás Az osztályozó (szabály) felépítése: Ha (feltétel) akkor (következmény,hatás,üzenet) erısség(s(t)) A szabály aktivizálásában szerepet játszó tényezık: • feltétel megfelelés (relevance) R(c) • korábbi sikeresség (strength) S(c,t) A szabályok az aktivizálásukért versenyeznek. A verseny a felajánlás (bid) alapján dıl el B(c) B(c,t)=k*R(c)*S(c,t) A gyıztes a felajánlást átadja annak a szabálynak, ahonnan az üzenet kapta. 134. Melyek a Holland féle osztályozó rendszer fıbb jellemzıi? • Párhuzamos rendszer. • Üzenet-továbbításos rendszer. • Szabály alapú tudásábrázolás. • Adaptív, a tanulás az un. Bucket brigade algoritmusra épül. • Folyamatos szabálykeresı mechanizmussal rendelkezik, mely a genetikus algoritmusokra épül. 135. Mi a tábla- (blackboard) paradigma lényege, melyek fıbb komponensei? Tudásforrások • független alrendszer • belsı tudásábrázolása és következtetı mechanizmusa rejtett • minden kommunikáció csak „táblán” keresztül jöhet létre Tábla • kommunikációs interfész • általános hozzáférhetı adatbázis (kollektív emlékezet) • átmeneti tároló és trigger mechanizmus Ütemezı • mint felügyelı és ütemezı irányítja a problémamegoldás menetét figyelembe véve az egyes tudás források közremőködésébıl eredı várható hasznot • nyomon követi a problémamegoldás menetét 136. Melyek a tábla- (blackboard) paradigma fontosabb jellemzıi? • INKREMENTÁLIS PROBLÉMAMEGOLDÁS • TUDÁSFORRÁSOK (szakértık) FÜGGETLENSÉGE Moduláris rendszer, az újabb szakértık adhatók a rendszerhez a korábbiak módosítása nélkül. A gyengén szereplı szakértık munkája javítható, vagy eltávolíthatók a rendszerbıl. • KÜLÖNBÖZİ PROBLÉMA-MEGOLDÓ TECHNIKÁK EGYIDEJŐLEG ALKAZMAZHATÓK Minden szakértı fekete doboznak tekinthetık, csak a kommunikációs nyelvük közös. • FLEXIBILIS TUDÁSÁBRÁZOLÁS Nincsenek korlátozások, hogy milyen információk kerülhetnek a táblára • KÖZÖS INTERAKCIÓS NYELV A szintakszis és a szemantika elıre meghatározott • ESEMÉNY ALAPÚ AKTIVÁCIÓ Célvezérelt aktivitás. Minden szakértı keresi a lehetıséget, hogy közremőködjön a feladat megoldásában • A VEZÉRLÉS SZÜKSÉGESSÉGE Ki írhat a táblára? Mi a közremőködés ára? 137. Melyek a képfeldolgozás területei, megoldandó feladatai és jellemzıi? Képfeldolgozás: digitális kép létrehozása, a leképezési hibák kijavítása, jellemzı tulajdonságok kiemelése, kép átalakítása (kép-kép leképzés) Alakfelismerés: a képen elıforduló alakzatok, képet jellemzı sajátságok felismerése (jellemzık meghatározása, azonosítás) Képfelismerés: a képen rögzített objektumok felismerése adatbázis alapján (leírás, értelmezés, azonosítás) 138. Melyek a nyelvtechnológia területei, megoldandó feladatai és jellemzıi? 1. Beszéd elıállítás • kötött-szavas ↔ kötetlen szótáras (Text To Speech) • Tárolt mintákból építkezı • Szintetizált beszéd
8
2. Beszéd felismerés • Személyfüggı - Személyfüggetlen • Izolált szavakat felismerı • Folyamatos beszédet felismerı 3. Gépi fordítás 139. Melyek a robotok típusai, generációi, jellemzıi, megoldásra váró problémái? Elsı generáció: kizárólag vezérléssel mőködtethetık, a környezet változásait nem érzékelik. Második generáció: környezetüket szenzorokkal vizsgálják, az így szerzett és a saját mőködésükrıl nyert információk alapján a számítógép bármikor képes módosítani a robot mozgását, például kikerüli a váratlanul útjába került akadályokat. Feladataikat magas szintő programnyelven határozzák meg. Harmadik generáció: alkalmazkodnak a környezet változásaihoz, alakokat és helyzeteket ismernek fel, hanggal is vezérelhetık, esetenként hanggal tudnak válaszolni, önálló döntéseket hoznak, bonyolult feladatokat oldanak meg, tanuló mechanizmusokkal is rendelkeznek. 140. Mi az inkrementális-, alulról építkezı robotépítés célja, elvárásai és javasolt módja? Cél: Olyan autonóm és intelligensnek tekinthetı lény létrehozása, amely az emberekkel együtt létezik (él?). Elvárások az autonóm és intelligens viselkedéső lényekkel szemben: • Megfelelıen és idıben reagáljon a dinamikusan változó környezeti hatásokra. • Robusztus legyen: a környezet kisebb nagyobb változása ne okozhassa a viselkedés összezavarodását. • Célokkal kell rendelkeznie. „szerepe van a földön” Megvalósítás javasolt módja: • Inkrementális építkezés • Minden egyes részfunkció megvalósításánál biztosítjuk a rendszer teljes mőködését • Minden alrendszer önálló érzékelı és vonatkozó képességgel rendelkezzen • Az alrendszerek üzenetekkel tartják egymással a kapcsolatot, egymást serkentik vagy gátolják. 141. Jellemezze a Brooks féle magába foglaló architektúrát, rajzolja le a tipikus alrendszer sémáját! • A részfunkciók önálló megvalósítása, az alrendszereknek nincs szüksége a felettük levı rendszerek kontrolljára • Minden rétegnek önálló szerepe van • Az összetett rendszer építése inkrementálisan, lépésrıl lépésre történik, a magasabb rétegek építik az alacsonyabb rétegeket • A céloknak nincs központi reprezentációja, amelyek közül valamilyen központi eljárás választana. Minden alrendszer végzi a feladatát • Az alrendszerek tesztelése mindig a valóságos helyzetben történik. Így elkerülhetı, hogy csak leegyszerősített un. játék problémákkal foglalkozzon • A rétegek az elnyomás és a tiltás-gátló mechanizmusokon keresztül mőködnek együtt • A véges állapotú alrendszer részei: o regiszterek (üzenetek fogadására, belsı állapotok tárolására) o véges állapotú gép egyszerő információ feldolgozó o kapacitással belsı idızítık • Az alrendszerek jellemzıi: o rögzített hosszúságú üzeneteket fogad és küld o aszinkron 142. Mi az ágens paradigma értelmezése, melyek a tipikus ágens feladatok, és alkalmazások? Az ágensek esemény vagy célvezérelt autonóm programok, amelyek valaki érdekében cselekszenek. „soft botok” Tipikus ágens feladatok: • A bejövı információk szőrése, megválaszolása • Döntéstámogatás (különbözı adatbázisok alapján) • Ismétlıdı feladatok elvégzése (pl: rendszergazdai munkák) • Titkári feladatok (programszervezés) • Ágens alkalmazások: o szakértıi ágensek, oktató ágensek, interfész ágensek o bevásárló ágensek, kereskedı ágensek
9