Künstliche Intelligenz: Intelligenz, Wissen und Suche

Was ist Intelligenz

Fähigkeit zu lernen: Fähigkeit zu lernen, zu verstehen und sich leicht anzupassen; Intellekt und intellektuelle Fähigkeiten.

EMI und IdM: Maschinelle Intelligenz

EMI - Intelligence: automatische, symbolische maschinelle Lernverfahren; Simulationsverfahren in "tidoscomo" intelligenten Maschinen.

IdM - Intelligence: Die innere Struktur einer Maschine, verantwortlich für die Koordinierung ihres Verhaltens und ihrer Wechselwirkungen mit der äußeren Umgebung. Diese Strukturen lassen sich mathematisch untersuchen.

Intelligente Prozesse im Menschen

• Mentale Prozesse
• Gedächtnis
• Motorik
• Sensorische Aktivität

Psychologische und fachliche Grundlagen der KI

Simulation von mentalen Prozessen; Logik und logischer Formalismus; Neurowissenschaften (Simulation der Gehirnarchitektur); Philosophie; Mathematik; Wirtschaft; Informatik/Computertechnik; Linguistik; Kybernetik.

Theoretische Ansätze: Strukturalismus, Behaviorismus, Funktionalismus

• Strukturalismus: Die Struktur der Maschine sollte Prinzipien menschlichen Verhaltens (z. B. neuronale Netze) enthalten.
• Behaviorismus: Es gibt keine Intelligenz in der Maschine; stattdessen erfolgt eine Simulation des menschlichen Verhaltens. (Am häufigsten verwendet.)
• Funktionalismus: Je besser sich ein System an Benutzer und Umgebung anpasst, desto größer gilt seine Intelligenz.

Unterschiede zwischen konventionellen Systemen und KI

Was ist eine KI-Technik

Eine KI-Technik ist eine Methode, die Wissen nutzt und verkörpert: Sie erfasst Verallgemeinerungen, die von Menschen verstanden werden; sie kann Fehler korrigieren und angepasst werden; sie ist in vielen Situationen einsetzbar.

Turing-Test (Ablauf)

Ein Prüfer stellt zwei verdeckte Entitäten Fragen und führt einen Dialog mit beiden. Der Prüfer versucht durch diesen umfassenden Dialog zu entscheiden, welche der beiden Entitäten der Mensch ist. Wenn der Prüfer am Ende nicht zwischen Mensch und Computer unterscheiden kann, folgt daraus nach dem Turing-Test, dass der Computer denken kann.

Traditionelle und nicht-traditionelle intelligente Systeme

Traditionelle intelligente Systeme: Datenbanken, Grafikprogramme, Berechnungsprogramme, Textverarbeitungsprogramme.

Nicht-traditionelle Systeme: Manipulation von Symbolen, Wissensrepräsentation, Wissenserwerb, Entscheidungsfindung, Management von Expertenwissen.

Natur und Arten des menschlichen Wissens

• Gegebene Daten: Reine Elemente, Messungen eines bestimmten Ereignisses.
• Information: Datenanalyse und Interpretation eines Datensatzes.
• Wissen: Fähigkeit, ein mentales Modell zu erstellen, das ein Objekt beschreibt, und Maßnahmen zur Umsetzung zu geben.
• Deklaratives Wissen: Beschreibende und generische Fakten und Ereignisse ("was").
• Prozedurales Wissen: Präskriptiv, schwer zu äußern und zu erklären ("wie").
• Common-Sense-Wissen: Kombination aus deklarativem und prozeduralem Wissen (z. B. Kenntnisse über Recht und Unrecht).
• Heuristisches Wissen: Für jedes Individuum einzigartig, nicht aus beliebiger Quelle verfügbar; beinhaltet die systematische Auswertung und Anwendung heuristischer Regeln.

Analysearten: logisch und heuristisch

Logische Analyse: Basierend auf Daten aus Berichten, Interviews und anderen elektromechanischen Mitteln.

Heuristische Analyse: Datenbasierte Heuristiken oder intuitive Verfahren.

Wesentliche Beiträge intelligenter Systeme (SIS)

SIS ermöglichen die Nutzung von Wissen zur Lösung von Aufgaben oder Problemen. Sie können Schlüsse ziehen und Zusammenhänge bei komplexen Problemen erkennen, die realen Problemen ähneln.

Smart Skills und Anpassungsfähigkeit

• Speicherung und effizientes Abrufen großer Datenmengen.
• Generierung neuer Gedanken und Ideen in nichtlinearer Weise.
• Anpassung oder Änderung des Verhaltens auf rationale Grundlage unter Verwendung verschiedener Fähigkeiten in einer bestimmten Situation.
• Intelligentes Verhalten ist das Ergebnis vieler verketteter Entscheidungen.
• Die Wahl einer Entscheidung oder die Kontrolle über Entscheidungen erfolgt anhand von Performanzkriterien, Dauer und Risiko.
• Kontrolle der Entscheidung: Prozess, durch den Lösungen eines Problems und Entscheidungsfindung sequenziert, synchronisiert und verknüpft werden, um das Verhalten eines objektorientierten Systems zu steuern.

Agenten und Fehlersuche

Reaktive Agenten arbeiten nicht gut in Umgebungen, in denen die Anzahl der Bedingungs-Aktions-Regeln zu groß ist, um sie zu speichern.

Suche (Search)

Ein Agent, der mehrere unmittelbare Möglichkeiten hat, kann entscheiden, was zu tun ist, indem er verschiedene Sequenzen möglicher Aktionen vergleicht. Formulieren: Zielsuche → Ausführen → ...

Zustandsraum

Der Zustandsraum ist die Menge aller erreichbaren Zustände aus einem gegebenen Zustand. Zugängliche Zustände sind diejenigen, die durch die Nachfolgerfunktion erreichbar sind. Der Zustandsraum wird durch einen Graphen gegeben, in dem Knoten Zustände und Kanten Aktionen sind.

Vollständigkeit und Komplexität von Suchstrategien

Suchstrategien werden durch die Wahl der Reihenfolge beim Expandieren der Knoten bewertet. Kriterien:

• Vollständigkeit: Findet der Algorithmus immer eine Lösung, wenn eine existiert?
• Zeitkomplexität: Anzahl der generierten Knoten.
• Raumkomplexität: Maximale Anzahl von Knoten im Speicher.
• Optimalität: Findet die Strategie die optimale Lösung in Bezug auf gemessene Kosten?

Messgrößen: b = maximaler Verzweigungsgrad des Baumes; d = Tiefe des flachsten Ziels; m = maximale Länge eines Pfades im Zustandsraum.

State-Space Search: Problemrepräsentation

Die Lösung eines Problems wird als Suche nach einer Wegfolge von einem Anfangszustand zum Ziel repräsentiert durch [N, A, S, DO]:

• N – Menge von Knoten bzw. Zuständen des Graphen; entspricht den Zuständen eines Prozesses zur Lösung des Problems.
• A – Menge der Kanten im Graphen; jede Kante entspricht einem möglichen Schritt.
• S – Nichtleere Teilmenge von N, die die Anfangszustände des Problems enthält.
• DO – Nichtleere Teilmenge von N, die die Zielzustände des Problems enthält.

Suchstrategien für State-Space Search (datengetrieben)

Datengetriebene Suche: Der Algorithmus beginnt mit den gegebenen Daten und einer Menge gültiger Spielzüge, die Zustandswechsel ermöglichen. Die Suche geht voran durch Anwendung von Regeln auf Fakten; neue Fakten werden erzeugt, die wiederum verwendet werden, um weitere Fakten zu erzeugen. Dieser Prozess wird fortgesetzt, bis ein Weg gefunden ist, der die Zielbedingung erfüllt.

Guided Search (zielgesteuerte Suche): Wenn ein Ziel vorgegeben ist, wird gezielt nach Schritten gesucht, die das Ziel erfüllen. In vielen Fällen gibt es eine große Anzahl von Regeln, die auf die Fakten angewendet werden können, was zu einer wachsenden Zahl von Schlussfolgerungen oder potenziellen Zielen führt. In einem mathematischen Theorembeweiser ist die Menge der Regeln, die verwendet werden müssen, normalerweise viel kleiner als die Gesamtmenge aller Regeln.

Wenn die Problem-Daten nicht vollständig gegeben sind, müssen diese vom System während der Problemlösung erworben werden. In einem Programm zur medizinischen Diagnostik können z. B. verschiedene diagnostische Tests angewandt werden; Ärzte fragen nur, was notwendig ist, um eine bestimmte Hypothese zu bestätigen oder zu verwerfen.

Guided Search Data

Wenn alle Daten in der ursprünglichen Formulierung des Problems zur Verfügung gestellt werden, existieren möglicherweise viele potenzielle Ziele. Es gibt jedoch nur wenige sinnvolle Möglichkeiten, Fakten zu nutzen. Wenn Informationen in einem bestimmten Auftreten vorliegen, ist es schwieriger, eine Hypothese zu formulieren.

Umsetzung (Variablen und Abläufe)

Variablen: LE: Liste der Zustände; LNE: Liste neuer Zustände; BSS: Sackgasse (Dead End).

Wenn der gegenwärtige Zustand S nicht die Anforderungen der Zielbeschreibung erfüllt, erzeugen Sie den ersten Nachfolger S1. Dieser Prozess wird fortgesetzt, bis ein Nachkomme ein Zielknoten ist. Wenn keine Nachfolger zum Ziel führen, kehrt das Verfahren zum Vaterknoten zurück, wo eine Rückverfolgung (Backtracking) angewandt wird.