Kecerdasan Buatan - Panduan Cepat

Sejak penemuan komputer atau mesin, kemampuan mereka untuk melakukan berbagai tugas terus tumbuh secara eksponensial. Manusia telah mengembangkan kekuatan sistem komputer dalam hal domain kerjanya yang beragam, kecepatannya yang meningkat, dan ukurannya yang semakin kecil seiring dengan waktu.

Cabang Ilmu Komputer bernama Artificial Intelligence berupaya menciptakan komputer atau mesin secerdas manusia.

Apa itu Artificial Intelligence?

Menurut bapak Artificial Intelligence, John McCarthy, ini adalah “Ilmu dan teknik pembuatan mesin cerdas, terutama program komputer cerdas”.

Artificial Intelligence adalah salah satu caranya making a computer, a computer-controlled robot, or a software think intelligently, dengan cara yang sama dengan cara berpikir manusia cerdas.

AI dicapai dengan mempelajari bagaimana otak manusia berpikir, dan bagaimana manusia belajar, memutuskan, dan bekerja sambil mencoba memecahkan masalah, dan kemudian menggunakan hasil penelitian ini sebagai dasar untuk mengembangkan perangkat lunak dan sistem cerdas.

Filosofi AI

Saat mengeksploitasi kekuatan sistem komputer, rasa ingin tahu manusia, membuatnya bertanya-tanya, "Bisakah mesin berpikir dan berperilaku seperti manusia?"

Jadi, pengembangan AI dimulai dengan tujuan menciptakan kecerdasan serupa di mesin yang kita temukan dan hargai tinggi pada manusia.

Tujuan AI

  • To Create Expert Systems - Sistem yang menunjukkan perilaku cerdas, belajar, mendemonstrasikan, menjelaskan, dan menasihati penggunanya.

  • To Implement Human Intelligence in Machines - Menciptakan sistem yang memahami, berpikir, belajar, dan berperilaku seperti manusia.

Apa yang Berkontribusi pada AI?

Kecerdasan buatan adalah ilmu dan teknologi yang didasarkan pada disiplin ilmu seperti Ilmu Komputer, Biologi, Psikologi, Linguistik, Matematika, dan Teknik. Dorongan utama AI adalah dalam pengembangan fungsi komputer yang terkait dengan kecerdasan manusia, seperti penalaran, pembelajaran, dan pemecahan masalah.

Dari area berikut, satu atau beberapa area dapat berkontribusi untuk membangun sistem cerdas.

Pemrograman Tanpa dan Dengan AI

Pemrograman tanpa dan dengan AI berbeda dalam cara berikut -

Pemrograman Tanpa AI Pemrograman Dengan AI
Program komputer tanpa AI dapat menjawab specific pertanyaan yang dimaksudkan untuk dipecahkan. Program komputer dengan AI dapat menjawab generic pertanyaan yang dimaksudkan untuk dipecahkan.
Modifikasi dalam program menyebabkan perubahan strukturnya. Program AI dapat menyerap modifikasi baru dengan menyatukan informasi yang sangat independen. Oleh karena itu Anda dapat memodifikasi bahkan sepenggal informasi program tanpa mempengaruhi strukturnya.
Modifikasi tidak cepat dan mudah. Ini dapat mempengaruhi program secara negatif. Modifikasi program yang Cepat dan Mudah.

Apa itu Teknik AI?

Di dunia nyata, pengetahuan memiliki beberapa sifat yang tidak diharapkan -

  • Volumenya sangat besar, hampir tak terbayangkan.
  • Itu tidak terorganisir dengan baik atau diformat dengan baik.
  • Itu terus berubah secara konstan.

Teknik AI adalah cara untuk mengatur dan menggunakan pengetahuan secara efisien sedemikian rupa sehingga -

  • Ini harus dapat dipahami oleh orang-orang yang menyediakannya.
  • Ini harus dapat dimodifikasi dengan mudah untuk memperbaiki kesalahan.
  • Ini harus berguna dalam banyak situasi meskipun tidak lengkap atau tidak akurat.

Teknik AI meningkatkan kecepatan eksekusi program kompleks yang dilengkapi dengannya.

Aplikasi AI

AI telah dominan di berbagai bidang seperti -

  • Gaming - AI memainkan peran penting dalam permainan strategis seperti catur, poker, tic-tac-toe, dll., Di mana mesin dapat memikirkan sejumlah besar posisi yang memungkinkan berdasarkan pengetahuan heuristik.

  • Natural Language Processing - Dimungkinkan untuk berinteraksi dengan komputer yang memahami bahasa alami yang digunakan oleh manusia.

  • Expert Systems- Ada beberapa aplikasi yang mengintegrasikan mesin, perangkat lunak, dan informasi khusus untuk memberikan alasan dan nasihat. Mereka memberikan penjelasan dan saran kepada pengguna.

  • Vision Systems- Sistem ini memahami, menafsirkan, dan memahami input visual di komputer. Sebagai contoh,

    • Sebuah pesawat pengintai mengambil foto, yang digunakan untuk mengetahui informasi spasial atau peta daerah.

    • Dokter menggunakan sistem pakar klinis untuk mendiagnosis pasien.

    • Polisi menggunakan perangkat lunak komputer yang dapat mengenali wajah kriminal dengan potret tersimpan yang dibuat oleh seniman forensik.

  • Speech Recognition- Beberapa sistem cerdas mampu mendengar dan memahami bahasa dalam istilah kalimat dan artinya saat manusia berbicara dengannya. Ini dapat menangani berbagai aksen, kata-kata gaul, kebisingan di latar belakang, perubahan suara manusia karena dingin, dll.

  • Handwriting Recognition- Perangkat lunak pengenalan tulisan tangan membaca teks yang ditulis di atas kertas dengan pena atau di layar dengan stylus. Itu dapat mengenali bentuk huruf dan mengubahnya menjadi teks yang dapat diedit.

  • Intelligent Robots- Robot mampu melakukan tugas yang diberikan oleh manusia. Mereka memiliki sensor untuk mendeteksi data fisik dari dunia nyata seperti cahaya, panas, suhu, gerakan, suara, benturan, dan tekanan. Mereka memiliki prosesor yang efisien, banyak sensor dan memori besar, untuk menunjukkan kecerdasan. Selain itu, mereka mampu belajar dari kesalahan mereka dan dapat beradaptasi dengan lingkungan baru.

Sejarah AI

Berikut adalah sejarah AI selama abad ke-20 -

Tahun Milestone / Inovasi
1923

Drama Karel Čapek bernama "Rossum's Universal Robots" (RUR) dibuka di London, pertama kali menggunakan kata "robot" dalam bahasa Inggris.

1943

Fondasi untuk jaringan saraf diletakkan.

1945

Isaac Asimov, seorang alumni Universitas Columbia, menciptakan istilah Robotika .

1950

Alan Turing memperkenalkan Turing Test untuk evaluasi kecerdasan dan menerbitkan Computing Machinery and Intelligence. Claude Shannon menerbitkan Analisis Detail Bermain Catur sebagai penelusuran.

1956

John McCarthy menciptakan istilah Artificial Intelligence . Peragaan program AI pertama yang berjalan di Universitas Carnegie Mellon.

1958

John McCarthy menciptakan bahasa pemrograman LISP untuk AI.

1964

Disertasi Danny Bobrow di MIT menunjukkan bahwa komputer dapat memahami bahasa natural dengan cukup baik untuk menyelesaikan soal kata aljabar dengan benar.

1965

Joseph Weizenbaum di MIT membangun ELIZA , sebuah masalah interaktif yang membawa dialog dalam bahasa Inggris.

1969

Ilmuwan di Stanford Research Institute Developed Shakey , sebuah robot, dilengkapi dengan penggerak, persepsi, dan pemecahan masalah.

1973

Kelompok Robotika Perakitan di Universitas Edinburgh membangun Freddy , Robot Skotlandia Terkenal, yang mampu menggunakan penglihatan untuk menemukan dan merakit model.

1979

Kendaraan otonom pertama yang dikendalikan komputer, Stanford Cart, dibuat.

1985

Harold Cohen membuat dan mendemonstrasikan program menggambar, Aaron .

1990

Kemajuan besar di semua bidang AI -

  • Demonstrasi signifikan dalam pembelajaran mesin
  • Penalaran berbasis kasus
  • Perencanaan multi-agen
  • Scheduling
  • Penambangan data, Perayap Web
  • pemahaman dan terjemahan bahasa alami
  • Visi, Realitas Virtual
  • Games
1997

Program Catur Biru Tua mengalahkan juara catur dunia saat itu, Garry Kasparov.

2000

Hewan peliharaan robot interaktif tersedia secara komersial. MIT menampilkan Kismet , robot dengan wajah yang mengekspresikan emosi. Robot Nomad menjelajahi daerah terpencil Antartika dan menemukan lokasi meteorit.

Saat mempelajari kecerdasan buatan, Anda perlu mengetahui apa itu kecerdasan. Bab ini mencakup Ide kecerdasan, jenis, dan komponen kecerdasan.

Apa itu Intelijen?

Kemampuan sistem untuk menghitung, menalar, memahami hubungan dan analogi, belajar dari pengalaman, menyimpan dan mengambil informasi dari memori, memecahkan masalah, memahami ide-ide kompleks, menggunakan bahasa alami dengan lancar, mengklasifikasikan, menggeneralisasi, dan menyesuaikan situasi baru.

Jenis Kecerdasan

Seperti yang dijelaskan oleh Howard Gardner, seorang psikolog perkembangan Amerika, Intelijen hadir berlipat ganda -

Intelijen Deskripsi Contoh
Kecerdasan linguistik Kemampuan berbicara, mengenali, dan menggunakan mekanisme fonologi (bunyi ujaran), sintaksis (tata bahasa), dan semantik (makna). Narator, Orator
Kecerdasan musik Kemampuan untuk membuat, berkomunikasi, dan memahami makna yang terbuat dari suara, memahami nada, ritme. Musisi, Penyanyi, Komposer
Kecerdasan logis-matematis Kemampuan menggunakan dan memahami hubungan tanpa adanya tindakan atau objek. Memahami ide yang kompleks dan abstrak. Matematikawan, Ilmuwan
Kecerdasan spasial Kemampuan untuk melihat informasi visual atau spasial, mengubahnya, dan membuat kembali gambar visual tanpa mengacu pada objek, membuat gambar 3D, dan untuk memindahkan serta memutarnya. Pembaca peta, Astronot, Fisikawan
Kecerdasan Tubuh-Kinestetik Kemampuan menggunakan seluruh atau sebagian tubuh untuk memecahkan masalah atau produk fashion, mengontrol keterampilan motorik halus dan kasar, dan memanipulasi objek. Pemain, Penari
Kecerdasan intra-pribadi Kemampuan untuk membedakan perasaan, niat, dan motivasi sendiri. Gautam Buddha
Kecerdasan interpersonal Kemampuan untuk mengenali dan membedakan perasaan, keyakinan, dan niat orang lain. Komunikator Massal, Pewawancara

Anda bisa mengatakan mesin atau sistem artificially intelligent bila dilengkapi dengan setidaknya satu dan paling banyak semua kecerdasan di dalamnya.

Terdiri dari Apa Intelijen?

Kecerdasan tidak berwujud. Ini terdiri dari -

  • Reasoning
  • Learning
  • Penyelesaian masalah
  • Perception
  • Kecerdasan Linguistik

Mari kita bahas semua komponen secara singkat -

  • Reasoning- Ini adalah serangkaian proses yang memungkinkan kami memberikan dasar untuk penilaian, pengambilan keputusan, dan prediksi. Ada dua jenis luas -

Penalaran Induktif Penalaran Deduktif
Itu melakukan pengamatan khusus untuk membuat pernyataan umum yang luas. Ini dimulai dengan pernyataan umum dan memeriksa kemungkinan untuk mencapai kesimpulan logis yang spesifik.
Bahkan jika semua premisnya benar dalam sebuah pernyataan, penalaran induktif memungkinkan kesimpulan menjadi salah. Jika sesuatu benar untuk suatu kelas hal secara umum, itu juga berlaku untuk semua anggota kelas itu.
Contoh - "Nita adalah guru. Nita rajin belajar. Oleh karena itu, semua guru rajin." Contoh - "Semua wanita di atas 60 tahun adalah nenek. Shalini adalah 65 tahun. Oleh karena itu, Shalini adalah seorang nenek."
  • Learning- Ini adalah kegiatan memperoleh pengetahuan atau keterampilan dengan belajar, berlatih, diajar, atau mengalami sesuatu. Belajar meningkatkan kesadaran subjek penelitian.

    Kemampuan belajar dimiliki oleh manusia, beberapa hewan, dan sistem yang mendukung AI. Pembelajaran dikategorikan sebagai -

    • Auditory Learning- Belajar dengan mendengarkan dan mendengar. Misalnya, siswa mendengarkan rekaman ceramah audio.

    • Episodic Learning- Belajar dengan mengingat urutan kejadian yang telah disaksikan atau dialami seseorang. Ini linier dan teratur.

    • Motor Learning- Ini adalah belajar dengan gerakan otot yang tepat. Misalnya memilih objek, Menulis, dll.

    • Observational Learning- Belajar dengan melihat dan meniru orang lain. Misalnya, anak mencoba belajar dengan meniru orang tuanya.

    • Perceptual Learning- Belajar mengenali rangsangan yang pernah dilihat seseorang sebelumnya. Misalnya, mengidentifikasi dan mengklasifikasikan objek dan situasi.

    • Relational Learning- Ini melibatkan pembelajaran untuk membedakan di antara berbagai rangsangan atas dasar sifat relasional, bukan sifat absolut. Misalnya, Menambahkan 'sedikit lebih sedikit' garam pada saat memasak kentang yang terakhir kali menjadi asin, saat dimasak dengan menambahkan katakanlah satu sendok makan garam.

    • Spatial Learning - Belajar melalui rangsangan visual seperti gambar, warna, peta, dll. Misalnya, seseorang dapat membuat peta jalan sebelum benar-benar mengikuti jalan tersebut.

    • Stimulus-Response Learning- Ini adalah belajar untuk melakukan perilaku tertentu ketika ada rangsangan tertentu. Misalnya, seekor anjing mengangkat telinganya saat mendengar bel pintu.

  • Problem Solving - Ini adalah proses di mana seseorang memahami dan mencoba untuk mencapai solusi yang diinginkan dari situasi sekarang dengan mengambil beberapa jalan, yang diblokir oleh rintangan yang diketahui atau tidak diketahui.

    Pemecahan masalah juga termasuk decision making, yaitu proses memilih alternatif yang paling sesuai dari beberapa alternatif untuk mencapai tujuan yang diinginkan tersedia.

  • Perception - Ini adalah proses memperoleh, menafsirkan, memilih, dan mengatur informasi sensorik.

    Persepsi mengasumsikan sensing. Pada manusia, persepsi dibantu oleh alat indera. Dalam domain AI, mekanisme persepsi menempatkan data yang diperoleh oleh sensor bersama-sama secara bermakna.

  • Linguistic Intelligence- Ini adalah kemampuan seseorang untuk menggunakan, memahami, berbicara, dan menulis bahasa lisan dan tulisan. Ini penting dalam komunikasi interpersonal.

Perbedaan antara Kecerdasan Manusia dan Mesin

  • Manusia mempersepsikan dengan pola sedangkan mesin mempersepsikan dengan seperangkat aturan dan data.

  • Manusia menyimpan dan mengingat informasi dengan pola, mesin melakukannya dengan algoritma pencarian. Misalnya, angka 40404040 mudah untuk diingat, disimpan, dan diingat karena polanya sederhana.

  • Manusia dapat mengetahui objek secara lengkap bahkan jika beberapa bagiannya hilang atau terdistorsi; sedangkan mesin tidak dapat melakukannya dengan benar.

Domain kecerdasan buatan sangat besar dalam hal luas dan lebarnya. Saat melanjutkan, kami mempertimbangkan area penelitian yang umum dan makmur dalam domain AI -

Pidato dan Pengenalan Suara

Kedua istilah ini umum dalam robotika, sistem pakar, dan pemrosesan bahasa alami. Meskipun istilah-istilah ini digunakan secara bergantian, tujuannya berbeda.

Pengenalan suara Pengenalan suara
Pengenalan suara bertujuan untuk memahami dan memahami WHAT diucapkan. Tujuan pengenalan suara adalah untuk mengenali WHO sedang berbicara.
Ini digunakan dalam komputasi bebas genggam, peta, atau navigasi menu. Ini digunakan untuk mengidentifikasi seseorang dengan menganalisis nada, nada suara, dan aksennya, dll.
Mesin tidak memerlukan pelatihan untuk Pengenalan Ucapan karena tidak bergantung pada speaker. Sistem pengenalan ini membutuhkan pelatihan karena berorientasi pada orang.
Sistem Pengenalan Pidato yang independen dari pembicara sulit untuk dikembangkan. Sistem Pengenalan Ucapan yang bergantung pada pembicara relatif mudah dikembangkan.

Bekerja dari Sistem Pengenalan Pidato dan Suara

Masukan pengguna yang diucapkan di mikrofon masuk ke kartu suara sistem. Konverter mengubah sinyal analog menjadi sinyal digital yang setara untuk pemrosesan ucapan. Basis data digunakan untuk membandingkan pola suara untuk mengenali kata. Akhirnya, umpan balik balik diberikan ke database.

Teks bahasa sumber ini menjadi masukan ke Mesin Terjemahan, yang mengubahnya menjadi teks bahasa target. Mereka didukung dengan GUI interaktif, database kosakata besar, dll.

Aplikasi Kehidupan Nyata dari Area Penelitian

Ada banyak sekali aplikasi tempat AI melayani orang biasa dalam kehidupan sehari-hari mereka -

Sr.No. Area Penelitian Aplikasi Kehidupan Nyata
1

Expert Systems

Contoh - Sistem pelacakan penerbangan, Sistem klinis.

2

Natural Language Processing

Contoh: Fitur Google Now, pengenalan ucapan, Keluaran suara otomatis.

3

Neural Networks

Contoh - Sistem pengenalan pola seperti pengenalan wajah, pengenalan karakter, pengenalan tulisan tangan.

4

Robotics

Contoh - Robot industri untuk pemindahan, penyemprotan, pengecatan, pemeriksaan presisi, pengeboran, pembersihan, pelapisan, ukiran, dll.

5

Fuzzy Logic Systems

Contoh - Elektronik konsumen, mobil, dll.

Klasifikasi Tugas AI

Domain AI diklasifikasikan menjadi Formal tasks, Mundane tasks, dan Expert tasks.

Domain Tugas Artificial Intelligence
Tugas Duniawi (Biasa) Tugas Formal Tugas Ahli
Persepsi
  • Visi Komputer
  • Pidato, Suara
  • Mathematics
  • Geometry
  • Logic
  • Integrasi dan Diferensiasi
  • Engineering
  • Penemuan Kesalahan
  • Manufacturing
  • Monitoring
Pemrosesan Bahasa Alami
  • Understanding
  • Generasi Bahasa
  • Terjemahan Bahasa
permainan
  • Go
  • Catur (Biru Tua)
  • Ckeckers
Analisis Ilmiah
Akal sehat Verifikasi Analisa keuangan
Pemikiran Pembuktian Teorema Diagnosa medis
Merencanakan Kreativitas
Robotika
  • Locomotive

Manusia belajar mundane (ordinary) taskssejak kelahiran mereka. Mereka belajar dengan persepsi, berbicara, menggunakan bahasa, dan lokomotif. Mereka mempelajari Tugas Formal dan Tugas Ahli nanti, dalam urutan itu.

Bagi manusia, tugas-tugas duniawi paling mudah dipelajari. Hal yang sama dianggap benar sebelum mencoba mengimplementasikan tugas-tugas duniawi di mesin. Sebelumnya, semua pekerjaan AI terkonsentrasi di domain tugas duniawi.

Belakangan, ternyata mesin tersebut membutuhkan lebih banyak pengetahuan, representasi pengetahuan yang kompleks, dan algoritma yang rumit untuk menangani tugas-tugas biasa. Inilah alasannyawhy AI work is more prospering in the Expert Tasks domain sekarang, karena domain tugas pakar membutuhkan pengetahuan pakar tanpa akal sehat, yang dapat lebih mudah disajikan dan ditangani.

Sistem AI terdiri dari agen dan lingkungannya. Agen bertindak di lingkungan mereka. Lingkungan mungkin mengandung agen lain.

Apa itu Agen dan Lingkungan?

Sebuah agent adalah segala sesuatu yang dapat memahami lingkungannya sensors dan bertindak atas lingkungan itu melalui effectors.

  • SEBUAH human agent memiliki organ sensorik seperti mata, telinga, hidung, lidah dan kulit yang sejajar dengan sensor, dan organ lain seperti tangan, kaki, mulut, untuk efektor.

  • SEBUAH robotic agent menggantikan kamera dan pencari jangkauan inframerah untuk sensor, dan berbagai motor dan aktuator untuk efektor.

  • SEBUAH software agent telah menyandikan string bit sebagai program dan tindakannya.

Terminologi Agen

  • Performance Measure of Agent - Ini adalah kriteria yang menentukan seberapa sukses seorang agen.

  • Behavior of Agent - Ini adalah tindakan yang dilakukan agen setelah urutan persepsi tertentu.

  • Percept - Ini adalah masukan perseptual agen pada contoh tertentu.

  • Percept Sequence - Ini adalah sejarah dari semua yang dianggap agen sampai saat ini.

  • Agent Function - Ini adalah peta dari urutan aturan moralitas ke suatu tindakan.

Rasionalitas

Rasionalitas tidak lain adalah status bersikap masuk akal, berakal sehat, dan memiliki rasa penilaian yang baik.

Rasionalitas berkaitan dengan tindakan dan hasil yang diharapkan tergantung pada apa yang dirasakan oleh agen. Melakukan tindakan dengan tujuan memperoleh informasi yang berguna merupakan bagian penting dari rasionalitas.

Apa itu Agen Rasional Ideal?

Agen rasional yang ideal adalah agen yang mampu melakukan tindakan yang diharapkan untuk memaksimalkan ukuran kinerjanya, atas dasar -

  • Urutan persepsinya
  • Basis pengetahuan bawaannya

Rasionalitas seorang agen bergantung pada hal-hal berikut -

  • Itu performance measures, yang menentukan tingkat kesuksesan.

  • Agen Percept Sequence sampai sekarang.

  • Agen prior knowledge about the environment.

  • Itu actions yang dapat dilakukan oleh agen.

Agen rasional selalu melakukan tindakan yang benar, di mana tindakan yang benar berarti tindakan yang menyebabkan agen menjadi yang paling sukses dalam urutan persepsi yang diberikan. Masalah yang dipecahkan agen ditandai dengan Ukuran Kinerja, Lingkungan, Aktuator, dan Sensor (PEAS).

Struktur Agen Cerdas

Struktur agen dapat dilihat sebagai -

  • Agen = Arsitektur + Program Agen
  • Arsitektur = mesin yang dijalankan oleh agen.
  • Program Agen = implementasi dari fungsi agen.

Agen Refleks Sederhana

  • Mereka memilih tindakan hanya berdasarkan persepsi saat ini.
  • Mereka rasional hanya jika keputusan yang benar dibuat hanya atas dasar ajaran saat ini.
  • Lingkungan mereka dapat diamati sepenuhnya.

Condition-Action Rule - Ini adalah aturan yang memetakan keadaan (kondisi) ke suatu tindakan.

Agen Refleks Berbasis Model

Mereka menggunakan model dunia untuk memilih tindakan mereka. Mereka mempertahankan keadaan internal.

Model - Pengetahuan tentang "bagaimana hal-hal terjadi di dunia".

Internal State - Ini adalah representasi dari aspek keadaan saat ini yang tidak teramati tergantung pada sejarah persepsi.

Updating the state requires the information about −

  • Bagaimana dunia berkembang.
  • Bagaimana tindakan agen mempengaruhi dunia.

Agen Berbasis Tujuan

Mereka memilih tindakan mereka untuk mencapai tujuan. Pendekatan berbasis tujuan lebih fleksibel daripada agen refleks karena pengetahuan yang mendukung keputusan dimodelkan secara eksplisit, sehingga memungkinkan untuk modifikasi.

Goal - Ini adalah deskripsi situasi yang diinginkan.

Agen Berbasis Utilitas

Mereka memilih tindakan berdasarkan preferensi (utilitas) untuk setiap negara bagian.

Gol tidak memadai ketika -

  • Ada tujuan yang saling bertentangan, yang hanya sedikit yang bisa dicapai.

  • Sasaran memiliki beberapa ketidakpastian untuk dicapai dan Anda perlu mempertimbangkan kemungkinan sukses terhadap pentingnya tujuan.

Sifat Lingkungan

Beberapa program beroperasi secara keseluruhan artificial environment terbatas pada input keyboard, database, sistem file komputer, dan output karakter di layar.

Sebaliknya, beberapa agen perangkat lunak (robot perangkat lunak atau softbots) ada di domain softbots yang kaya dan tidak terbatas. Simulator memilikivery detailed, complex environment. Agen perangkat lunak perlu memilih dari rangkaian panjang tindakan secara real time. Softbot yang dirancang untuk memindai preferensi online pelanggan dan menunjukkan item menarik kepada karya pelanggan direal serta artificial lingkungan Hidup.

Yang paling terkenal artificial environment adalah Turing Test environment, di mana satu agen nyata dan buatan lainnya diuji di tempat yang sama. Ini adalah lingkungan yang sangat menantang karena sangat sulit bagi agen perangkat lunak untuk bekerja sebaik manusia.

Uji Turing

Keberhasilan perilaku cerdas suatu sistem dapat diukur dengan Uji Turing.

Dua orang dan sebuah mesin yang akan dievaluasi ikut serta dalam pengujian. Dari dua orang tersebut, yang satu berperan sebagai penguji. Masing-masing duduk di ruangan yang berbeda. Penguji tidak menyadari siapa mesin dan siapa manusia. Dia menginterogasi pertanyaan dengan mengetik dan mengirimkannya ke kedua kecerdasan, yang mana dia menerima tanggapan yang diketik.

Tes ini bertujuan untuk menipu penguji. Jika tester gagal menentukan respon mesin dari respon manusia, maka mesin tersebut dikatakan cerdas.

Sifat Lingkungan

Lingkungan memiliki sifat berlipat ganda -

  • Discrete / Continuous- Jika ada sejumlah keadaan lingkungan yang berbeda dan terdefinisi dengan jelas, lingkungan tersebut diskrit (Misalnya, catur); jika tidak terus menerus (Misalnya, mengemudi).

  • Observable / Partially Observable- Jika memungkinkan untuk menentukan keadaan lengkap lingkungan pada setiap titik waktu dari persepsi itu dapat diamati; selain itu hanya dapat diamati sebagian.

  • Static / Dynamic- Jika lingkungan tidak berubah saat agen bertindak, maka itu statis; selain itu dinamis.

  • Single agent / Multiple agents - Lingkungan mungkin berisi agen lain yang mungkin dari jenis yang sama atau berbeda dengan agen.

  • Accessible / Inaccessible - Jika peralatan sensorik agen dapat memiliki akses ke seluruh keadaan lingkungan, maka lingkungan dapat diakses oleh agen tersebut.

  • Deterministic / Non-deterministic- Jika keadaan lingkungan selanjutnya sepenuhnya ditentukan oleh keadaan saat ini dan tindakan agen, maka lingkungan itu deterministik; jika tidak maka non-deterministik.

  • Episodic / Non-episodic- Dalam lingkungan episodik, setiap episode terdiri dari agen yang mengamati dan kemudian bertindak. Kualitas aksinya hanya bergantung pada episode itu sendiri. Episode selanjutnya tidak bergantung pada tindakan di episode sebelumnya. Lingkungan episodik jauh lebih sederhana karena agen tidak perlu berpikir jauh ke depan.

Pencarian adalah teknik universal pemecahan masalah dalam AI. Ada beberapa game pemain tunggal seperti game ubin, Sudoku, teka-teki silang, dll. Algoritme pencarian membantu Anda mencari posisi tertentu dalam game tersebut.

Masalah Pathfinding Agen Tunggal

Permainan seperti 3X3 delapan ubin, 4X4 lima belas ubin, dan 5X5 dua puluh empat ubin teka-teki adalah tantangan menemukan jalur agen tunggal. Mereka terdiri dari matriks ubin dengan ubin kosong. Pemain diharuskan untuk mengatur ubin dengan menggeser ubin baik secara vertikal maupun horizontal ke dalam ruang kosong dengan tujuan mencapai beberapa tujuan.

Contoh lain dari masalah pathfinding agen tunggal adalah Travelling Salesman Problem, Rubik's Cube, dan Theorem Proving.

Istilah Pencarian

  • Problem Space- Ini adalah lingkungan tempat pencarian dilakukan. (Seperangkat negara bagian dan serangkaian operator untuk mengubah keadaan tersebut)

  • Problem Instance - Ini adalah keadaan awal + keadaan Tujuan.

  • Problem Space Graph- Ini mewakili keadaan masalah. Status ditunjukkan oleh node dan operator ditunjukkan oleh tepi.

  • Depth of a problem - Panjang jalur terpendek atau urutan terpendek operator dari Status Awal ke status tujuan.

  • Space Complexity - Jumlah maksimum node yang disimpan di memori.

  • Time Complexity - Jumlah maksimum node yang dibuat.

  • Admissibility - Properti algoritme untuk selalu menemukan solusi optimal.

  • Branching Factor - Jumlah rata-rata simpul anak dalam grafik ruang masalah.

  • Depth - Panjang jalur terpendek dari keadaan awal ke keadaan tujuan.

Strategi Pencarian Brute-Force

Mereka paling sederhana, karena mereka tidak membutuhkan pengetahuan khusus domain. Mereka bekerja dengan baik dengan sejumlah kecil kemungkinan negara bagian.

Persyaratan -

  • Deskripsi negara bagian
  • Satu set operator yang valid
  • Keadaan awal
  • Deskripsi status tujuan

Pencarian Luas-Pertama

Ini dimulai dari simpul akar, menjelajahi simpul tetangga terlebih dahulu dan bergerak menuju tetangga tingkat berikutnya. Ini menghasilkan satu pohon pada satu waktu sampai solusinya ditemukan. Ini dapat diimplementasikan menggunakan struktur data antrian FIFO. Metode ini menyediakan jalur terpendek menuju solusi.

If branching factor (average number of child nodes for a given node) = b and depth = d, then number of nodes at level d = bd.

The total no of nodes created in worst case is b + b2 + b3 + … + bd.

Disadvantage − Since each level of nodes is saved for creating next one, it consumes a lot of memory space. Space requirement to store nodes is exponential.

Its complexity depends on the number of nodes. It can check duplicate nodes.

Depth-First Search

It is implemented in recursion with LIFO stack data structure. It creates the same set of nodes as Breadth-First method, only in the different order.

As the nodes on the single path are stored in each iteration from root to leaf node, the space requirement to store nodes is linear. With branching factor b and depth as m, the storage space is bm.

Disadvantage − This algorithm may not terminate and go on infinitely on one path. The solution to this issue is to choose a cut-off depth. If the ideal cut-off is d, and if chosen cut-off is lesser than d, then this algorithm may fail. If chosen cut-off is more than d, then execution time increases.

Its complexity depends on the number of paths. It cannot check duplicate nodes.

Bidirectional Search

It searches forward from initial state and backward from goal state till both meet to identify a common state.

The path from initial state is concatenated with the inverse path from the goal state. Each search is done only up to half of the total path.

Uniform Cost Search

Sorting is done in increasing cost of the path to a node. It always expands the least cost node. It is identical to Breadth First search if each transition has the same cost.

It explores paths in the increasing order of cost.

Disadvantage − There can be multiple long paths with the cost ≤ C*. Uniform Cost search must explore them all.

Iterative Deepening Depth-First Search

It performs depth-first search to level 1, starts over, executes a complete depth-first search to level 2, and continues in such way till the solution is found.

It never creates a node until all lower nodes are generated. It only saves a stack of nodes. The algorithm ends when it finds a solution at depth d. The number of nodes created at depth d is bd and at depth d-1 is bd-1.

Comparison of Various Algorithms Complexities

Let us see the performance of algorithms based on various criteria −

Criterion Breadth First Depth First Bidirectional Uniform Cost Interactive Deepening
Time bd bm bd/2 bd bd
Space bd bm bd/2 bd bd
Optimality Yes No Yes Yes Yes
Completeness Yes No Yes Yes Yes

Informed (Heuristic) Search Strategies

To solve large problems with large number of possible states, problem-specific knowledge needs to be added to increase the efficiency of search algorithms.

Heuristic Evaluation Functions

They calculate the cost of optimal path between two states. A heuristic function for sliding-tiles games is computed by counting number of moves that each tile makes from its goal state and adding these number of moves for all tiles.

Pure Heuristic Search

It expands nodes in the order of their heuristic values. It creates two lists, a closed list for the already expanded nodes and an open list for the created but unexpanded nodes.

In each iteration, a node with a minimum heuristic value is expanded, all its child nodes are created and placed in the closed list. Then, the heuristic function is applied to the child nodes and they are placed in the open list according to their heuristic value. The shorter paths are saved and the longer ones are disposed.

A * Search

It is best-known form of Best First search. It avoids expanding paths that are already expensive, but expands most promising paths first.

f(n) = g(n) + h(n), where

  • g(n) the cost (so far) to reach the node
  • h(n) estimated cost to get from the node to the goal
  • f(n) estimated total cost of path through n to goal. It is implemented using priority queue by increasing f(n).

Greedy Best First Search

It expands the node that is estimated to be closest to goal. It expands nodes based on f(n) = h(n). It is implemented using priority queue.

Disadvantage − It can get stuck in loops. It is not optimal.

Local Search Algorithms

They start from a prospective solution and then move to a neighboring solution. They can return a valid solution even if it is interrupted at any time before they end.

Hill-Climbing Search

It is an iterative algorithm that starts with an arbitrary solution to a problem and attempts to find a better solution by changing a single element of the solution incrementally. If the change produces a better solution, an incremental change is taken as a new solution. This process is repeated until there are no further improvements.

function Hill-Climbing (problem), returns a state that is a local maximum.

inputs: problem, a problem
local variables: current, a node
                 neighbor, a node
current <-Make_Node(Initial-State[problem])
loop
   do neighbor <- a highest_valued successor of current
      if Value[neighbor] ≤ Value[current] then
      return State[current]
      current <- neighbor				  
	
end

Disadvantage − This algorithm is neither complete, nor optimal.

Local Beam Search

In this algorithm, it holds k number of states at any given time. At the start, these states are generated randomly. The successors of these k states are computed with the help of objective function. If any of these successors is the maximum value of the objective function, then the algorithm stops.

Otherwise the (initial k states and k number of successors of the states = 2k) states are placed in a pool. The pool is then sorted numerically. The highest k states are selected as new initial states. This process continues until a maximum value is reached.

function BeamSearch( problem, k), returns a solution state.

start with k randomly generated states
loop
   generate all successors of all k states
   if any of the states = solution, then return the state
   else select the k best successors
end

Simulated Annealing

Annealing is the process of heating and cooling a metal to change its internal structure for modifying its physical properties. When the metal cools, its new structure is seized, and the metal retains its newly obtained properties. In simulated annealing process, the temperature is kept variable.

We initially set the temperature high and then allow it to ‘cool' slowly as the algorithm proceeds. When the temperature is high, the algorithm is allowed to accept worse solutions with high frequency.

Start

  • Initialize k = 0; L = integer number of variables;
  • From i → j, search the performance difference Δ.
  • If Δ <= 0 then accept else if exp(-Δ/T(k)) > random(0,1) then accept;
  • Repeat steps 1 and 2 for L(k) steps.
  • k = k + 1;

Repeat steps 1 through 4 till the criteria is met.

End

Travelling Salesman Problem

In this algorithm, the objective is to find a low-cost tour that starts from a city, visits all cities en-route exactly once and ends at the same starting city.

Start
   Find out all (n -1)! Possible solutions, where n is the total number of cities.
   Determine the minimum cost by finding out the cost of each of these (n -1)! solutions.
   Finally, keep the one with the minimum cost.
end

Fuzzy Logic Systems (FLS) produce acceptable but definite output in response to incomplete, ambiguous, distorted, or inaccurate (fuzzy) input.

What is Fuzzy Logic?

Fuzzy Logic (FL) is a method of reasoning that resembles human reasoning. The approach of FL imitates the way of decision making in humans that involves all intermediate possibilities between digital values YES and NO.

The conventional logic block that a computer can understand takes precise input and produces a definite output as TRUE or FALSE, which is equivalent to human’s YES or NO.

The inventor of fuzzy logic, Lotfi Zadeh, observed that unlike computers, the human decision making includes a range of possibilities between YES and NO, such as −

CERTAINLY YES
POSSIBLY YES
CANNOT SAY
POSSIBLY NO
CERTAINLY NO

The fuzzy logic works on the levels of possibilities of input to achieve the definite output.

Implementation

  • It can be implemented in systems with various sizes and capabilities ranging from small micro-controllers to large, networked, workstation-based control systems.

  • It can be implemented in hardware, software, or a combination of both.

Why Fuzzy Logic?

Fuzzy logic is useful for commercial and practical purposes.

  • It can control machines and consumer products.
  • It may not give accurate reasoning, but acceptable reasoning.
  • Fuzzy logic helps to deal with the uncertainty in engineering.

Fuzzy Logic Systems Architecture

It has four main parts as shown −

  • Fuzzification Module − It transforms the system inputs, which are crisp numbers, into fuzzy sets. It splits the input signal into five steps such as −

LP x is Large Positive
MP x is Medium Positive
S x is Small
MN x is Medium Negative
LN x is Large Negative
  • Knowledge Base − It stores IF-THEN rules provided by experts.

  • Inference Engine − It simulates the human reasoning process by making fuzzy inference on the inputs and IF-THEN rules.

  • Defuzzification Module − It transforms the fuzzy set obtained by the inference engine into a crisp value.

The membership functions work on fuzzy sets of variables.

Membership Function

Membership functions allow you to quantify linguistic term and represent a fuzzy set graphically. A membership function for a fuzzy set A on the universe of discourse X is defined as μA:X → [0,1].

Here, each element of X is mapped to a value between 0 and 1. It is called membership value or degree of membership. It quantifies the degree of membership of the element in X to the fuzzy set A.

  • x axis represents the universe of discourse.
  • y axis represents the degrees of membership in the [0, 1] interval.

There can be multiple membership functions applicable to fuzzify a numerical value. Simple membership functions are used as use of complex functions does not add more precision in the output.

All membership functions for LP, MP, S, MN, and LN are shown as below −

The triangular membership function shapes are most common among various other membership function shapes such as trapezoidal, singleton, and Gaussian.

Here, the input to 5-level fuzzifier varies from -10 volts to +10 volts. Hence the corresponding output also changes.

Example of a Fuzzy Logic System

Let us consider an air conditioning system with 5-level fuzzy logic system. This system adjusts the temperature of air conditioner by comparing the room temperature and the target temperature value.

Algorithm

  • Define linguistic Variables and terms (start)
  • Construct membership functions for them. (start)
  • Construct knowledge base of rules (start)
  • Convert crisp data into fuzzy data sets using membership functions. (fuzzification)
  • Evaluate rules in the rule base. (Inference Engine)
  • Combine results from each rule. (Inference Engine)
  • Convert output data into non-fuzzy values. (defuzzification)

Development

Step 1 − Define linguistic variables and terms

Linguistic variables are input and output variables in the form of simple words or sentences. For room temperature, cold, warm, hot, etc., are linguistic terms.

Temperature (t) = {very-cold, cold, warm, very-warm, hot}

Every member of this set is a linguistic term and it can cover some portion of overall temperature values.

Step 2 − Construct membership functions for them

The membership functions of temperature variable are as shown −

Step3 − Construct knowledge base rules

Create a matrix of room temperature values versus target temperature values that an air conditioning system is expected to provide.

RoomTemp. /Target Very_Cold Cold Warm Hot Very_Hot
Very_Cold No_Change Heat Heat Heat Heat
Cold Cool No_Change Heat Heat Heat
Warm Cool Cool No_Change Heat Heat
Hot Cool Cool Cool No_Change Heat
Very_Hot Cool Cool Cool Cool No_Change

Build a set of rules into the knowledge base in the form of IF-THEN-ELSE structures.

Sr. No. Condition Action
1 IF temperature=(Cold OR Very_Cold) AND target=Warm THEN Heat
2 IF temperature=(Hot OR Very_Hot) AND target=Warm THEN Cool
3 IF (temperature=Warm) AND (target=Warm) THEN No_Change

Step 4 − Obtain fuzzy value

Fuzzy set operations perform evaluation of rules. The operations used for OR and AND are Max and Min respectively. Combine all results of evaluation to form a final result. This result is a fuzzy value.

Step 5 − Perform defuzzification

Defuzzification is then performed according to membership function for output variable.

Application Areas of Fuzzy Logic

The key application areas of fuzzy logic are as given −

Automotive Systems

  • Automatic Gearboxes
  • Four-Wheel Steering
  • Vehicle environment control

Consumer Electronic Goods

  • Hi-Fi Systems
  • Photocopiers
  • Still and Video Cameras
  • Television

Domestic Goods

  • Microwave Ovens
  • Refrigerators
  • Toasters
  • Vacuum Cleaners
  • Washing Machines

Environment Control

  • Air Conditioners/Dryers/Heaters
  • Humidifiers

Advantages of FLSs

  • Mathematical concepts within fuzzy reasoning are very simple.

  • You can modify a FLS by just adding or deleting rules due to flexibility of fuzzy logic.

  • Fuzzy logic Systems can take imprecise, distorted, noisy input information.

  • FLSs are easy to construct and understand.

  • Fuzzy logic is a solution to complex problems in all fields of life, including medicine, as it resembles human reasoning and decision making.

Disadvantages of FLSs

  • There is no systematic approach to fuzzy system designing.
  • They are understandable only when simple.
  • They are suitable for the problems which do not need high accuracy.

Natural Language Processing (NLP) refers to AI method of communicating with an intelligent systems using a natural language such as English.

Processing of Natural Language is required when you want an intelligent system like robot to perform as per your instructions, when you want to hear decision from a dialogue based clinical expert system, etc.

The field of NLP involves making computers to perform useful tasks with the natural languages humans use. The input and output of an NLP system can be −

  • Speech
  • Written Text

Components of NLP

There are two components of NLP as given −

Natural Language Understanding (NLU)

Understanding involves the following tasks −

  • Memetakan masukan yang diberikan dalam bahasa alami menjadi representasi yang berguna.
  • Menganalisis berbagai aspek bahasa.

Generasi Bahasa Alami (NLG)

Ini adalah proses menghasilkan frase dan kalimat yang bermakna dalam bentuk bahasa alami dari beberapa representasi internal.

Ini melibatkan -

  • Text planning - Ini termasuk mengambil konten yang relevan dari basis pengetahuan.

  • Sentence planning - Ini termasuk memilih kata-kata yang diperlukan, membentuk frasa yang bermakna, mengatur nada kalimat.

  • Text Realization - Memetakan rencana kalimat ke dalam struktur kalimat.

NLU lebih keras dari NLG.

Kesulitan di NLU

NL memiliki bentuk dan struktur yang sangat kaya.

Ini sangat ambigu. Mungkin ada berbagai tingkat ambiguitas -

  • Lexical ambiguity - Ini pada tingkat yang sangat primitif seperti tingkat kata.

  • Misalnya, memperlakukan kata “board” sebagai kata benda atau kata kerja?

  • Syntax Level ambiguity - Kalimat dapat diuraikan dengan berbagai cara.

  • Misalnya, “Dia mengangkat kumbang bertopi merah”. - Apakah dia menggunakan topi untuk mengangkat kumbang atau dia mengangkat kumbang yang bertopi merah?

  • Referential ambiguity- Mengacu pada sesuatu dengan menggunakan kata ganti. Misalnya, Rima pergi ke Gauri. Dia berkata, "Saya lelah." - Sebenarnya siapa yang lelah?

  • Satu masukan dapat memiliki arti yang berbeda.

  • Banyak masukan bisa berarti hal yang sama.

Terminologi NLP

  • Phonology - Ini adalah studi tentang pengorganisasian suara secara sistematis.

  • Morphology - Ini adalah studi tentang konstruksi kata-kata dari unit bermakna primitif.

  • Morpheme - Ini adalah unit makna primitif dalam suatu bahasa.

  • Syntax- Ini mengacu pada mengatur kata-kata untuk membuat kalimat. Ini juga melibatkan penentuan peran struktural kata-kata dalam kalimat dan frasa.

  • Semantics - Ini berkaitan dengan arti kata dan bagaimana menggabungkan kata-kata menjadi frase dan kalimat yang bermakna.

  • Pragmatics - Ini berkaitan dengan penggunaan dan pemahaman kalimat dalam situasi yang berbeda dan bagaimana interpretasi kalimat dipengaruhi.

  • Discourse - Ini berkaitan dengan bagaimana kalimat sebelumnya dapat mempengaruhi interpretasi kalimat berikutnya.

  • World Knowledge - Ini mencakup pengetahuan umum tentang dunia.

Langkah-langkah di NLP

Ada lima langkah umum -

  • Lexical Analysis- Ini melibatkan mengidentifikasi dan menganalisis struktur kata. Leksikon suatu bahasa berarti kumpulan kata dan frasa dalam suatu bahasa. Analisis leksikal membagi seluruh potongan txt menjadi paragraf, kalimat, dan kata-kata.

  • Syntactic Analysis (Parsing)- Ini melibatkan analisis kata-kata dalam kalimat untuk tata bahasa dan mengatur kata-kata dengan cara yang menunjukkan hubungan antar kata. Kalimat seperti "Sekolah pergi ke anak laki-laki" ditolak oleh penganalisis sintaksis bahasa Inggris.

  • Semantic Analysis- Ini menarik arti yang tepat atau arti kamus dari teks. Teks tersebut diperiksa kebermaknaannya. Ini dilakukan dengan memetakan struktur sintaksis dan objek dalam domain tugas. Penganalisis semantik mengabaikan kalimat seperti "es krim panas".

  • Discourse Integration- Arti kalimat apa pun bergantung pada arti kalimat tepat sebelumnya. Selain itu, ini juga membawa makna kalimat penggantinya.

  • Pragmatic Analysis- Selama ini, apa yang dikatakan ditafsirkan ulang tentang apa yang sebenarnya dimaksud. Ini melibatkan penurunan aspek-aspek bahasa yang membutuhkan pengetahuan dunia nyata.

Aspek Implementasi Analisis Sintaksis

Ada sejumlah algoritme yang telah dikembangkan peneliti untuk analisis sintaksis, tetapi kami hanya mempertimbangkan metode sederhana berikut -

  • Tata Bahasa Bebas Konteks
  • Pengurai Top-Down

Mari kita lihat secara detail -

Tata Bahasa Bebas Konteks

Ini adalah tata bahasa yang terdiri dari aturan dengan satu simbol di sisi kiri aturan penulisan ulang. Mari kita buat tata bahasa untuk mengurai kalimat -

"Burung itu mematuk biji-bijian"

Articles (DET)- a | sebuah | itu

Nouns- burung | burung | biji-bijian | biji-bijian

Noun Phrase (NP)- Artikel + Kata Benda | Artikel + Kata Sifat + Kata Benda

= DET N | DET ADJ N

Verbs- mematuk | mematuk | mematuk

Verb Phrase (VP)- NP V | V NP

Adjectives (ADJ)- cantik | kecil | kicau

Pohon parse memecah kalimat menjadi beberapa bagian terstruktur sehingga komputer dapat dengan mudah memahami dan memprosesnya. Agar algoritme parsing dapat membangun pohon parse ini, seperangkat aturan penulisan ulang, yang menjelaskan struktur pohon apa yang legal, perlu dibangun.

Aturan-aturan ini mengatakan bahwa simbol tertentu dapat diperluas di pohon dengan urutan simbol lainnya. Menurut aturan logika urutan pertama, jika terdapat dua string Noun Phrase (NP) dan Verb Phrase (VP), maka string yang digabungkan dengan NP diikuti oleh VP adalah sebuah kalimat. Aturan penulisan ulang untuk kalimat tersebut adalah sebagai berikut -

S → NP VP

NP → DET N | DET ADJ N

VP → V NP

Lexocon −

DET → a | itu

ADJ → cantik | bertengger

N → burung | burung | biji-bijian | biji-bijian

V → mematuk | mematuk | mematuk

Pohon parse dapat dibuat seperti yang ditunjukkan -

Sekarang perhatikan aturan penulisan ulang di atas. Karena V dapat diganti dengan keduanya, "mematuk" atau "mematuk", kalimat seperti "Burung mematuk biji-bijian" dapat diizinkan secara salah. yaitu kesalahan persetujuan subjek-kata kerja disetujui sebagai benar.

Merit - Gaya tata bahasa yang paling sederhana, oleh karena itu banyak digunakan.

Demerits −

  • Mereka tidak terlalu tepat. Misalnya, "The grains peck the bird", secara sintaksis benar menurut parser, tetapi meskipun tidak masuk akal, parser menganggapnya sebagai kalimat yang benar.

  • Untuk menghasilkan presisi tinggi, beberapa set tata bahasa perlu disiapkan. Ini mungkin memerlukan seperangkat aturan yang sama sekali berbeda untuk mengurai variasi tunggal dan jamak, kalimat pasif, dll., Yang dapat mengarah pada pembuatan sekumpulan besar aturan yang tidak dapat diatur.

Pengurai Top-Down

Di sini, pengurai dimulai dengan simbol S dan mencoba untuk menulis ulang menjadi urutan simbol terminal yang cocok dengan kelas kata dalam kalimat masukan hingga seluruhnya terdiri dari simbol terminal.

Ini kemudian diperiksa dengan kalimat masukan untuk melihat apakah cocok. Jika tidak, proses tersebut dimulai lagi dengan seperangkat aturan yang berbeda. Ini diulangi sampai ditemukan aturan tertentu yang menjelaskan struktur kalimat.

Merit - Mudah diimplementasikan.

Demerits −

  • Ini tidak efisien, karena proses pencarian harus diulangi jika terjadi kesalahan.
  • Kecepatan kerja lambat.

Sistem pakar (ES) adalah salah satu domain penelitian AI yang terkemuka. Ini diperkenalkan oleh para peneliti di Universitas Stanford, Departemen Ilmu Komputer.

Apakah Sistem Pakar itu?

Sistem pakar adalah aplikasi komputer yang dikembangkan untuk memecahkan masalah kompleks dalam domain tertentu, pada tingkat kecerdasan dan keahlian manusia luar biasa.

Karakteristik Sistem Pakar

  • Performa tinggi
  • Understandable
  • Reliable
  • Sangat responsif

Kemampuan Sistem Pakar

Sistem pakar mampu -

  • Advising
  • Menginstruksikan dan membantu manusia dalam pengambilan keputusan
  • Demonstrating
  • Mendapatkan solusi
  • Diagnosing
  • Explaining
  • Menafsirkan masukan
  • Memprediksi hasil
  • Membenarkan kesimpulan
  • Menyarankan opsi alternatif untuk suatu masalah

Mereka tidak mampu -

  • Mengganti pembuat keputusan manusia
  • Memiliki kemampuan manusia
  • Menghasilkan keluaran yang akurat untuk basis pengetahuan yang tidak memadai
  • Memperbaiki pengetahuan mereka sendiri

Komponen Sistem Pakar

Komponen ES meliputi -

  • Dasar pengetahuan
  • Mesin Inferensi
  • Antarmuka pengguna

Mari kita lihat satu per satu secara singkat -

Dasar pengetahuan

Ini berisi pengetahuan khusus domain dan berkualitas tinggi.

Pengetahuan dibutuhkan untuk menunjukkan kecerdasan. Keberhasilan ES mana pun sangat bergantung pada kumpulan pengetahuan yang sangat akurat dan tepat.

Apakah Pengetahuan itu?

Data adalah kumpulan fakta. Informasi diatur sebagai data dan fakta tentang domain tugas.Data, information, dan past experience digabungkan bersama-sama disebut sebagai pengetahuan.

Komponen Basis Pengetahuan

Basis pengetahuan ES adalah simpanan pengetahuan faktual dan heuristik.

  • Factual Knowledge - Ini adalah informasi yang diterima secara luas oleh Insinyur Pengetahuan dan sarjana di domain tugas.

  • Heuristic Knowledge - Ini tentang latihan, penilaian yang akurat, kemampuan evaluasi seseorang, dan menebak-nebak.

Representasi pengetahuan

Ini adalah metode yang digunakan untuk mengatur dan memformalkan pengetahuan dalam basis pengetahuan. Ini dalam bentuk aturan IF-THEN-ELSE.

Akuisisi Pengetahuan

Keberhasilan sistem pakar sangat bergantung pada kualitas, kelengkapan, dan keakuratan informasi yang disimpan dalam basis pengetahuan.

Basis pengetahuan dibentuk oleh bacaan dari berbagai ahli, ulama, dan Knowledge Engineers. Insinyur pengetahuan adalah orang dengan kualitas empati, pembelajaran cepat, dan keterampilan menganalisis kasus.

Ia memperoleh informasi dari ahli subjek dengan mencatat, mewawancarai, dan mengamatinya di tempat kerja, dll. Ia kemudian mengkategorikan dan mengatur informasi tersebut secara bermakna, dalam bentuk aturan IF-THEN-ELSE, untuk digunakan oleh mesin interferensi. Insinyur pengetahuan juga memantau perkembangan ES.

Mesin Inferensi

Penggunaan prosedur dan aturan yang efisien oleh Mesin Inferensi sangat penting dalam menghasilkan solusi yang tepat dan sempurna.

Dalam kasus ES berbasis pengetahuan, Mesin Inferensi memperoleh dan memanipulasi pengetahuan dari basis pengetahuan untuk sampai pada solusi tertentu.

Dalam kasus ES berbasis aturan, itu -

  • Menerapkan aturan berulang kali pada fakta yang diperoleh dari penerapan aturan sebelumnya.

  • Menambahkan pengetahuan baru ke dalam basis pengetahuan jika diperlukan.

  • Menyelesaikan konflik aturan ketika beberapa aturan berlaku untuk kasus tertentu.

Untuk merekomendasikan solusi, Inference Engine menggunakan strategi berikut -

  • Rantai Maju
  • Rantai Mundur

Rantai Maju

Ini adalah strategi sistem pakar untuk menjawab pertanyaan, “What can happen next?”

Di sini, Mesin Inferensi mengikuti rantai kondisi dan penurunan dan akhirnya menyimpulkan hasilnya. Ini mempertimbangkan semua fakta dan aturan, dan menyortirnya sebelum menyimpulkan solusi.

Strategi ini diikuti untuk mengerjakan kesimpulan, hasil, atau efek. Misalnya, prediksi status pasar saham akibat perubahan suku bunga.

Rantai Mundur

Dengan strategi ini, sistem pakar menemukan jawaban atas pertanyaan, “Why this happened?”

Atas dasar apa yang telah terjadi, Mesin Inferensi mencoba mencari tahu kondisi mana yang bisa terjadi di masa lalu untuk hasil ini. Strategi ini diikuti untuk mencari tahu penyebab atau alasannya. Misalnya diagnosis kanker darah pada manusia.

Antarmuka pengguna

Antarmuka pengguna menyediakan interaksi antara pengguna ES dan ES itu sendiri. Ini umumnya Pemrosesan Bahasa Alami agar dapat digunakan oleh pengguna yang berpengalaman dalam domain tugas. Pengguna ES belum tentu ahli dalam Artificial Intelligence.

Ini menjelaskan bagaimana ES sampai pada rekomendasi tertentu. Penjelasannya mungkin muncul dalam bentuk berikut -

  • Bahasa alami ditampilkan di layar.
  • Narasi verbal dalam bahasa alami.
  • Daftar nomor aturan yang ditampilkan di layar.

Antarmuka pengguna memudahkan untuk melacak kredibilitas potongan.

Persyaratan Antarmuka Pengguna ES yang Efisien

  • Ini harus membantu pengguna untuk mencapai tujuan mereka dengan cara sesingkat mungkin.

  • Ini harus dirancang untuk bekerja untuk praktik kerja yang ada atau diinginkan pengguna.

  • Teknologinya harus dapat beradaptasi dengan kebutuhan pengguna; bukan sebaliknya.

  • Ini harus memanfaatkan masukan pengguna secara efisien.

Batasan Sistem Pakar

Tidak ada teknologi yang dapat menawarkan solusi yang mudah dan lengkap. Sistem yang besar itu mahal, membutuhkan waktu pengembangan yang signifikan, dan sumber daya komputer. ES memiliki batasannya yang meliputi -

  • Keterbatasan teknologi
  • Akuisisi pengetahuan yang sulit
  • ES sulit untuk dipertahankan
  • Biaya pengembangan tinggi

Aplikasi Sistem Pakar

Tabel berikut menunjukkan di mana ES dapat diterapkan.

Aplikasi Deskripsi
Domain Desain Desain lensa kamera, desain mobil.
Domain Medis Sistem Diagnosis untuk menyimpulkan penyebab penyakit dari data yang diamati, melakukan operasi medis pada manusia.
Sistem Pemantauan Membandingkan data secara terus menerus dengan sistem yang diamati atau dengan perilaku yang ditentukan seperti pemantauan kebocoran dalam pipa minyak bumi yang panjang.
Sistem Pengendalian Proses Mengontrol proses fisik berdasarkan pemantauan.
Domain Pengetahuan Mencari tahu kesalahan pada kendaraan, komputer.
Keuangan / Perdagangan Deteksi kemungkinan penipuan, transaksi mencurigakan, perdagangan pasar saham, penjadwalan maskapai penerbangan, penjadwalan kargo.

Teknologi Sistem Pakar

Ada beberapa level teknologi ES yang tersedia. Teknologi sistem pakar meliputi -

  • Expert System Development Environment- Lingkungan pengembangan ES mencakup perangkat keras dan peralatan. Mereka adalah -

    • Stasiun kerja, komputer mini, mainframe.

    • Bahasa Pemrograman Simbolik tingkat tinggi seperti LISt Programming (LISP) dan PROgrammation en LOGique (PROLOG).

    • Database besar.

  • Tools - Mereka mengurangi upaya dan biaya yang terlibat dalam mengembangkan sistem pakar secara luas.

    • Editor andal dan alat debugging dengan multi-jendela.

    • Mereka menyediakan pembuatan prototipe cepat

    • Memiliki definisi model, representasi pengetahuan, dan desain inferensi.

  • Shells- Shell tidak lain adalah sistem pakar tanpa basis pengetahuan. Sebuah shell menyediakan pengembang dengan akuisisi pengetahuan, mesin inferensi, antarmuka pengguna, dan fasilitas penjelasan. Misalnya, beberapa cangkang diberikan di bawah ini -

    • Java Expert System Shell (JESS) yang menyediakan Java API yang dikembangkan sepenuhnya untuk membuat sistem pakar.

    • Vidwan , shell yang dikembangkan di National Center for Software Technology, Mumbai pada tahun 1993. Ini memungkinkan pengkodean pengetahuan dalam bentuk aturan IF-THEN.

Pengembangan Sistem Pakar: Langkah Umum

Proses pengembangan ES bersifat berulang. Langkah-langkah dalam mengembangkan ES meliputi -

Identifikasi Domain Masalah

  • Masalah tersebut harus cocok untuk sistem pakar untuk menyelesaikannya.
  • Temukan pakar dalam domain tugas untuk proyek ES.
  • Tetapkan efektivitas biaya sistem.

Rancang Sistem

  • Identifikasi Teknologi ES

  • Mengetahui dan menetapkan tingkat integrasi dengan sistem dan database lain.

  • Sadarilah bagaimana konsep dapat mewakili pengetahuan domain dengan baik.

Kembangkan Prototipe

Dari Basis Pengetahuan: Insinyur pengetahuan bekerja untuk -

  • Dapatkan pengetahuan domain dari ahlinya.
  • Mewakili dalam bentuk aturan If-THEN-ELSE.

Uji dan Perbaiki Prototipe

  • Insinyur pengetahuan menggunakan contoh kasus untuk menguji prototipe untuk setiap kekurangan dalam kinerja.

  • Pengguna akhir menguji prototipe ES.

Kembangkan dan Lengkapi ES

  • Menguji dan memastikan interaksi ES dengan semua elemen lingkungannya, termasuk pengguna akhir, basis data, dan sistem informasi lainnya.

  • Dokumentasikan proyek ES dengan baik.

  • Latih pengguna untuk menggunakan ES.

Menjaga Sistem

  • Jaga agar basis pengetahuan tetap mutakhir dengan tinjauan dan pembaruan rutin.

  • Melayani antarmuka baru dengan sistem informasi lain, seiring berkembangnya sistem tersebut.

Manfaat Sistem Pakar

  • Availability - Mereka mudah tersedia karena produksi massal perangkat lunak.

  • Less Production Cost- Biaya produksi masuk akal. Ini membuat mereka terjangkau.

  • Speed- Mereka menawarkan kecepatan tinggi. Mereka mengurangi jumlah pekerjaan yang dilakukan seseorang.

  • Less Error Rate - Tingkat kesalahan lebih rendah dibandingkan dengan kesalahan manusia.

  • Reducing Risk - Mereka dapat bekerja di lingkungan yang berbahaya bagi manusia.

  • Steady response - Mereka bekerja dengan mantap tanpa termotivasi, tegang atau lelah.

Robotika adalah domain dalam kecerdasan buatan yang berhubungan dengan studi tentang pembuatan robot yang cerdas dan efisien.

Apa itu Robot?

Robot adalah agen buatan yang bekerja di lingkungan dunia nyata.

Objektif

Robot ditujukan untuk memanipulasi objek dengan mengamati, mengambil, memindahkan, memodifikasi properti fisik objek, menghancurkannya, atau memiliki efek sehingga membebaskan tenaga kerja dari melakukan fungsi berulang tanpa merasa bosan, terganggu, atau kelelahan.

Apa itu Robotika?

Robotika merupakan salah satu cabang dari AI, yang terdiri dari Teknik Elektro, Teknik Mesin, dan Ilmu Komputer untuk perancangan, konstruksi, dan aplikasi robot.

Aspek Robotika

  • Robot itu punya mechanical construction, bentuk, atau bentuk yang dirancang untuk menyelesaikan tugas tertentu.

  • Mereka punya electrical components yang menggerakkan dan mengontrol mesin.

  • Mereka mengandung beberapa tingkat computer program yang menentukan apa, kapan dan bagaimana robot melakukan sesuatu.

Perbedaan Sistem Robot dan Program AI Lainnya

Inilah perbedaan antara keduanya -

Program AI Robot
Mereka biasanya beroperasi di dunia yang distimulasi komputer. Mereka beroperasi di dunia fisik nyata
Masukan ke program AI ada dalam simbol dan aturan. Input pada robot adalah sinyal analog berupa bentuk gelombang ucapan atau gambar
Mereka membutuhkan komputer tujuan umum untuk beroperasi. Mereka membutuhkan perangkat keras khusus dengan sensor dan efektor.

Penggerak Robot

Locomotion adalah mekanisme yang membuat robot mampu bergerak di lingkungannya. Ada berbagai jenis lokomotif -

  • Legged
  • Wheeled
  • Kombinasi Penggerak Berkaki dan Beroda
  • Slip / selip terlacak

Penggerak Berkaki

  • Jenis penggerak ini mengkonsumsi lebih banyak tenaga saat mendemonstrasikan berjalan, melompat, berlari, melompat, naik atau turun, dll.

  • Ini membutuhkan lebih banyak motor untuk menyelesaikan suatu gerakan. Ini cocok untuk medan yang kasar maupun halus di mana permukaan yang tidak teratur atau terlalu halus membuatnya menghabiskan lebih banyak tenaga untuk penggerak beroda. Agak sulit untuk diterapkan karena masalah stabilitas.

  • Muncul dengan variasi satu, dua, empat, dan enam kaki. Jika robot memiliki banyak kaki maka koordinasi kaki diperlukan untuk pergerakan.

Jumlah total yang mungkin gaits (urutan peristiwa angkat dan lepas secara berkala untuk masing-masing kaki total) robot dapat melakukan perjalanan tergantung pada jumlah kakinya.

Jika robot memiliki k kaki, maka banyaknya kemungkinan kejadian N = (2k-1) !.

Dalam kasus robot berkaki dua (k = 2), jumlah kejadian yang mungkin adalah N = (2k-1)! = (2 * 2-1)! = 3! = 6.

Oleh karena itu, ada enam kemungkinan kejadian berbeda -

  • Mengangkat kaki kiri
  • Melepaskan kaki kiri
  • Mengangkat Kaki Kanan
  • Melepaskan Kaki Kanan
  • Mengangkat kedua kaki secara bersamaan
  • Melepaskan kedua kaki secara bersamaan

Dalam kasus k = 6 kaki, ada 39916800 kemungkinan kejadian. Karenanya kompleksitas robot berbanding lurus dengan jumlah kakinya.

Penggerak Beroda

Ini membutuhkan lebih sedikit jumlah motor untuk menyelesaikan suatu gerakan. Ini sedikit mudah untuk diterapkan karena ada masalah stabilitas yang lebih sedikit jika jumlah roda lebih banyak. Ini hemat daya dibandingkan dengan penggerak berkaki.

  • Standard wheel - Berputar di sekitar poros roda dan di sekitar kontak

  • Castor wheel - Berputar di sekitar poros roda dan sendi kemudi offset.

  • Swedish 45o and Swedish 90o wheels - Omni-wheel, berputar di sekitar titik kontak, di sekitar poros roda, dan di sekitar roller.

  • Ball or spherical wheel - Roda Omnidirectional, secara teknis sulit diterapkan.

Slip / Skid Locomotion

Pada tipe ini, kendaraan menggunakan trek seperti pada tangki. Robot dikemudikan dengan menggerakkan trek dengan kecepatan berbeda ke arah yang sama atau berlawanan. Ini menawarkan stabilitas karena area kontak trek dan tanah yang besar.

Komponen Robot

Robot dibangun dengan:

  • Power Supply - Robot ini didukung oleh baterai, tenaga surya, hidrolik, atau sumber tenaga pneumatik.

  • Actuators - Mereka mengubah energi menjadi gerakan.

  • Electric motors (AC/DC) - Mereka diperlukan untuk gerakan rotasi.

  • Pneumatic Air Muscles - Mereka berkontraksi hampir 40% saat udara tersedot di dalamnya.

  • Muscle Wires - Mereka berkontraksi sebesar 5% ketika arus listrik melewatinya.

  • Piezo Motors and Ultrasonic Motors - Terbaik untuk robot industri.

  • Sensors- Mereka memberikan pengetahuan tentang informasi waktu nyata tentang lingkungan tugas. Robot dilengkapi dengan sensor penglihatan untuk menghitung kedalaman di lingkungan. Sensor sentuhan meniru sifat mekanis reseptor sentuh ujung jari manusia.

Visi Komputer

Ini adalah teknologi AI yang dapat digunakan robot untuk melihat. Visi komputer memainkan peran penting dalam domain keselamatan, keamanan, kesehatan, akses, dan hiburan.

Computer vision secara otomatis mengekstrak, menganalisis, dan memahami informasi yang berguna dari satu gambar atau serangkaian gambar. Proses ini melibatkan pengembangan algoritme untuk mencapai pemahaman visual otomatis.

Perangkat Keras Sistem Visi Komputer

Ini melibatkan -

  • Sumber Daya listrik
  • Perangkat akuisisi gambar seperti kamera
  • Sebuah prosesor
  • Sebuah perangkat lunak
  • Perangkat tampilan untuk memantau sistem
  • Aksesoris seperti stand kamera, kabel, dan konektor

Tugas Computer Vision

  • OCR - Dalam domain komputer, Optical Character Reader, perangkat lunak untuk mengubah dokumen yang dipindai menjadi teks yang dapat diedit, yang menyertai pemindai.

  • Face Detection- Banyak kamera canggih hadir dengan fitur ini, yang memungkinkan untuk membaca wajah dan mengambil gambar dari ekspresi yang sempurna itu. Ini digunakan untuk membiarkan pengguna mengakses perangkat lunak pada pertandingan yang benar.

  • Object Recognition - Mereka dipasang di supermarket, kamera, mobil kelas atas seperti BMW, GM, dan Volvo.

  • Estimating Position - Memperkirakan posisi suatu benda terhadap kamera seperti halnya posisi tumor dalam tubuh manusia.

Domain Aplikasi Computer Vision

  • Agriculture
  • Kendaraan otonom
  • Biometrics
  • Pengenalan karakter
  • Forensik, keamanan, dan pengawasan
  • Pemeriksaan kualitas industri
  • Pengenalan wajah
  • Analisis gerakan
  • Geoscience
  • Citra medis
  • Pemantauan polusi
  • Pengendalian proses
  • Penginderaan jauh
  • Robotics
  • Transport

Aplikasi Robotika

Robotika telah berperan dalam berbagai domain seperti -

  • Industries - Robot digunakan untuk menangani material, pemotongan, pengelasan, pelapisan warna, pengeboran, pemolesan, dll.

  • Military- Robot otonom dapat mencapai zona yang tidak dapat diakses dan berbahaya selama perang. Robot bernama Daksh , yang dikembangkan oleh Defense Research and Development Organization (DRDO), berfungsi untuk menghancurkan objek yang mengancam jiwa dengan aman.

  • Medicine - Robot tersebut mampu melakukan ratusan uji klinis secara bersamaan, merehabilitasi penyandang cacat permanen, dan melakukan operasi kompleks seperti tumor otak.

  • Exploration - Robot pemanjat tebing yang digunakan untuk eksplorasi luar angkasa, drone bawah air yang digunakan untuk eksplorasi laut adalah beberapa di antaranya.

  • Entertainment - Insinyur Disney telah menciptakan ratusan robot untuk pembuatan film.

Namun area penelitian lain dalam AI, jaringan saraf, terinspirasi dari jaringan saraf alami sistem saraf manusia.

Apa itu Jaringan Syaraf Tiruan (JST)?

Penemu komputer saraf pertama, Dr.Robert Hecht-Nielsen, mendefinisikan jaringan saraf sebagai -

"... sistem komputasi yang terdiri dari sejumlah elemen pemrosesan sederhana yang sangat saling berhubungan, yang memproses informasi dengan respons status dinamisnya ke input eksternal.”

Struktur Dasar JST

Ide tentang JST didasarkan pada keyakinan bahwa kerja otak manusia dengan membuat sambungan yang tepat, dapat ditiru menggunakan silikon dan kabel sebagai makhluk hidup. neurons dan dendrites.

Otak manusia terdiri dari 86 miliar sel saraf yang disebut neurons. Mereka terhubung ke ribuan sel lain oleh Axons.Rangsangan dari lingkungan luar atau masukan dari organ sensorik diterima oleh dendrit. Input ini menciptakan impuls listrik, yang dengan cepat berjalan melalui jaringan saraf. Neuron kemudian dapat mengirim pesan ke neuron lain untuk menangani masalah atau tidak mengirimkannya ke depan.

ANN terdiri dari beberapa nodes, yang meniru biologis neuronsotak manusia. Neuron dihubungkan oleh tautan dan mereka berinteraksi satu sama lain. Node dapat mengambil data masukan dan melakukan operasi sederhana pada data. Hasil dari operasi ini diteruskan ke neuron lain. Output pada setiap node disebut itsactivation atau node value.

Setiap tautan dikaitkan dengan weight.JST mampu belajar, yang berlangsung dengan mengubah nilai bobot. Ilustrasi berikut memperlihatkan JST sederhana -

Jenis Jaringan Syaraf Tiruan

Ada dua topologi Jaringan Saraf Tiruan - FeedForward dan Feedback.

FeedForward ANN

Dalam JST ini, arus informasi bersifat searah. Sebuah unit mengirimkan informasi ke unit lain yang tidak menerima informasi apapun. Tidak ada putaran umpan balik. Mereka digunakan dalam pembuatan pola / pengenalan / klasifikasi. Mereka memiliki input dan output tetap.

FeedBack ANN

Di sini, putaran umpan balik diperbolehkan. Mereka digunakan dalam memori yang dapat dialamatkan konten.

Bekerja dari ANN

Dalam diagram topologi yang ditunjukkan, setiap panah mewakili hubungan antara dua neuron dan menunjukkan jalur aliran informasi. Setiap koneksi memiliki bobot, bilangan bulat yang mengontrol sinyal antara dua neuron.

Jika jaringan menghasilkan keluaran "baik atau diinginkan", tidak perlu menyesuaikan bobot. Namun, jika jaringan menghasilkan keluaran "buruk atau tidak diinginkan" atau kesalahan, maka sistem mengubah bobot untuk meningkatkan hasil selanjutnya.

Machine Learning di ANN

JST mampu belajar dan perlu dilatih. Ada beberapa strategi pembelajaran -

  • Supervised Learning- Ini melibatkan seorang guru yang lebih terpelajar daripada JST itu sendiri. Misalnya, guru memberikan beberapa contoh data yang jawabannya sudah diketahui oleh guru.

    Misalnya, pengenalan pola. ANN muncul dengan tebakan saat mengenali. Kemudian guru memberikan JST dengan jawabannya. Jaringan kemudian membandingkan tebakannya dengan jawaban “benar” guru dan membuat penyesuaian berdasarkan kesalahan.

  • Unsupervised Learning- Diperlukan jika tidak ada kumpulan data contoh dengan jawaban yang diketahui. Misalnya, mencari pola tersembunyi. Dalam hal ini, clustering yaitu membagi satu set elemen menjadi kelompok-kelompok menurut beberapa pola yang tidak diketahui dilakukan berdasarkan set data yang ada saat ini.

  • Reinforcement Learning- Strategi ini dibangun di atas observasi. JST membuat keputusan dengan mengamati lingkungannya. Jika observasi negatif, jaringan menyesuaikan bobotnya untuk dapat membuat keputusan lain yang diperlukan di lain waktu.

Algoritma Propagasi Balik

Ini adalah algoritma pelatihan atau pembelajaran. Ia belajar dengan memberi contoh. Jika Anda mengirimkan contoh apa yang Anda ingin jaringan lakukan ke algoritme, bobot jaringan akan berubah sehingga dapat menghasilkan keluaran yang diinginkan untuk masukan tertentu saat menyelesaikan pelatihan.

Jaringan Propagasi Balik ideal untuk Pengenalan Pola dan Tugas Pemetaan sederhana.

Bayesian Networks (BN)

Ini adalah struktur grafis yang digunakan untuk merepresentasikan hubungan probabilistik di antara sekumpulan variabel acak. Jaringan Bayes juga disebutBelief Networks atau Bayes Nets. Alasan BN tentang domain yang tidak pasti.

Dalam jaringan ini, setiap node mewakili variabel acak dengan proposisi tertentu. Misalnya, dalam domain diagnosis medis, kanker simpul mewakili proposisi bahwa pasien menderita kanker.

Tepi yang menghubungkan node mewakili ketergantungan probabilistik di antara variabel acak tersebut. Jika dari dua node, satu mempengaruhi yang lain maka mereka harus langsung terhubung ke arah efeknya. Kekuatan hubungan antar variabel diukur dengan probabilitas yang terkait dengan setiap node.

Ada satu-satunya kendala pada busur di BN yang tidak dapat Anda kembalikan ke simpul hanya dengan mengikuti busur terarah. Karenanya BN disebut Grafik Asiklik Terarah (DAGs).

BN mampu menangani variabel multinilai secara bersamaan. Variabel BN terdiri dari dua dimensi -

  • Rentang preposisi
  • Probabilitas diberikan ke masing-masing preposisi.

Pertimbangkan himpunan hingga X = {X 1 , X 2 ,…, X n } dari variabel acak diskrit, di mana setiap variabel X i dapat mengambil nilai dari himpunan hingga, dilambangkan dengan Val (X i ). Jika terdapat keterkaitan langsung dari variabel X i ke variabel X j , maka variabel X i akan menjadi induk dari variabel X j yang menunjukkan ketergantungan langsung antar variabel.

Struktur BN ideal untuk menggabungkan pengetahuan sebelumnya dan data yang diamati. BN dapat digunakan untuk mempelajari hubungan sebab akibat dan memahami berbagai domain masalah dan untuk memprediksi kejadian di masa depan, bahkan jika ada data yang hilang.

Membangun Jaringan Bayesian

Seorang insinyur pengetahuan dapat membangun jaringan Bayesian. Ada sejumlah langkah yang perlu diambil insinyur pengetahuan saat membangunnya.

Example problem- Kanker paru-paru. Seorang pasien menderita sesak napas. Dia mengunjungi dokter, mencurigai dia menderita kanker paru-paru. Dokter mengetahui bahwa selain kanker paru-paru, terdapat berbagai kemungkinan penyakit lain yang mungkin diderita pasien seperti tuberkulosis dan bronkitis.

Gather Relevant Information of Problem

  • Apakah pasien perokok? Jika ya, maka kemungkinan besar terkena kanker dan bronkitis.
  • Apakah pasien terpapar polusi udara? Jika ya, polusi udara seperti apa?
  • Mengambil X-ray positif X-ray akan mengindikasikan TB atau kanker paru-paru.

Identify Interesting Variables

Insinyur pengetahuan mencoba menjawab pertanyaan -

  • Node mana yang akan diwakili?
  • Nilai apa yang bisa mereka ambil? Di negara bagian mana mereka bisa?

Untuk saat ini mari kita pertimbangkan node, dengan hanya nilai diskrit. Variabel harus mengambil salah satu dari nilai-nilai ini dalam satu waktu.

Common types of discrete nodes are -

  • Boolean nodes - Mereka mewakili proposisi, mengambil nilai biner TRUE (T) dan FALSE (F).

  • Ordered values- Node Polusi mungkin mewakili dan mengambil nilai dari {rendah, sedang, tinggi} yang menggambarkan derajat keterpaparan pasien terhadap polusi.

  • Integral values- Sebuah node bernama Age mungkin merepresentasikan usia pasien dengan kemungkinan nilai dari 1 hingga 120. Bahkan pada tahap awal ini, pilihan modeling sedang dibuat.

Node dan nilai yang mungkin untuk contoh kanker paru -

Nama Node Tipe Nilai Pembuatan Node
Polusi Biner {RENDAH, TINGGI, SEDANG}
Perokok Boolean {BENAR, CEPAT}
Kanker paru-paru Boolean {BENAR, CEPAT}
Sinar-X Biner {Positif negatif}

Create Arcs between Nodes

Topologi jaringan harus menangkap hubungan kualitatif antar variabel.

Misalnya, apa yang menyebabkan seorang pasien menderita kanker paru-paru? - Polusi dan merokok. Kemudian tambahkan busur dari node Pollution dan node Smoker ke node Lung-Cancer.

Begitu pula jika pasien menderita kanker paru-paru, maka hasil rontgen akan positif. Kemudian tambahkan busur dari node Lung-Cancer ke node X-Ray.

Specify Topology

Secara konvensional, BN ditata sedemikian rupa sehingga busur mengarah dari atas ke bawah. Himpunan node induk dari node X diberikan oleh Parents (X).

The Lung-Kanker node memiliki dua orang tua (alasan atau sebab-sebab): Polusi dan Perokok , sementara simpul Perokok adalahancestordari node X-Ray . Demikian pula, X-Ray adalah anak (konsekuensi atau efek) dari Kanker Paru-paru node dansuccessornode Perokok dan Polusi.

Conditional Probabilities

Sekarang ukur hubungan antara node yang terhubung: ini dilakukan dengan menentukan distribusi probabilitas bersyarat untuk setiap node. Karena hanya variabel diskrit yang dipertimbangkan di sini, ini mengambil bentuk aConditional Probability Table (CPT).

Pertama, untuk setiap node kita perlu melihat semua kemungkinan kombinasi nilai dari node induk tersebut. Setiap kombinasi tersebut disebutinstantiationdari set induk. Untuk setiap contoh yang berbeda dari nilai node induk, kita perlu menentukan probabilitas yang akan diambil oleh anak.

Misalnya, orang tua kanker paru-paru adalah Polusi dan Merokok. Mereka mengambil kemungkinan nilai = {(H, T), (H, F), (L, T), (L, F)}. CPT menentukan probabilitas kanker untuk masing-masing kasus ini sebagai <0,05, 0,02, 0,03, 0,001> masing-masing.

Setiap node akan memiliki probabilitas bersyarat yang terkait sebagai berikut -

Aplikasi Jaringan Neural

Mereka dapat melakukan tugas-tugas yang mudah bagi manusia tetapi sulit untuk mesin -

  • Aerospace - Autopilot pesawat, deteksi kesalahan pesawat.

  • Automotive - Sistem panduan mobil.

  • Military - Orientasi dan kemudi senjata, pelacakan target, diskriminasi objek, pengenalan wajah, identifikasi sinyal / gambar.

  • Electronics - Prediksi urutan kode, tata letak chip IC, analisis kegagalan chip, visi mesin, sintesis suara.

  • Financial - Penilaian real estat, penasihat pinjaman, pemeriksaan hipotek, peringkat obligasi perusahaan, program perdagangan portofolio, analisis keuangan perusahaan, prediksi nilai mata uang, pembaca dokumen, penilai aplikasi kredit.

  • Industrial - Kontrol proses manufaktur, desain dan analisis produk, sistem pemeriksaan kualitas, analisis kualitas pengelasan, prediksi kualitas kertas, analisis desain produk kimia, pemodelan dinamis sistem proses kimia, analisis perawatan mesin, penawaran proyek, perencanaan, dan manajemen.

  • Medical - Analisis sel kanker, analisis EEG dan EKG, desain prostetik, pengoptimal waktu transplantasi.

  • Speech - Pengenalan ucapan, klasifikasi ucapan, konversi teks ke ucapan.

  • Telecommunications - Kompresi gambar dan data, layanan informasi otomatis, terjemahan bahasa lisan waktu nyata.

  • Transportation - Diagnosis sistem Rem Truk, penjadwalan kendaraan, sistem perutean.

  • Software - Pengenalan Pola dalam pengenalan wajah, pengenalan karakter optik, dll.

  • Time Series Prediction - ANN digunakan untuk membuat prediksi tentang saham dan bencana alam.

  • Signal Processing - Jaringan saraf dapat dilatih untuk memproses sinyal audio dan memfilternya dengan tepat di alat bantu dengar.

  • Control - JST sering digunakan untuk membuat keputusan kemudi kendaraan fisik.

  • Anomaly Detection - Karena ANN ahli dalam mengenali pola, mereka juga dapat dilatih untuk menghasilkan keluaran ketika terjadi sesuatu yang tidak biasa yang tidak sesuai dengan pola tersebut.

AI berkembang dengan kecepatan yang luar biasa, terkadang terlihat ajaib. Ada pendapat di antara peneliti dan pengembang bahwa AI dapat tumbuh sangat kuat sehingga sulit dikendalikan oleh manusia.

Manusia mengembangkan sistem AI dengan memperkenalkan kepada mereka setiap kemungkinan kecerdasan yang mereka bisa, yang membuat manusia sendiri sekarang tampak terancam.

Ancaman terhadap Privasi

Program AI yang mengenali ucapan dan memahami bahasa alami secara teoritis mampu memahami setiap percakapan di email dan telepon.

Ancaman Terhadap Martabat Manusia

Sistem AI sudah mulai menggantikan manusia di beberapa industri. Itu tidak boleh menggantikan orang-orang di sektor di mana mereka memegang posisi bermartabat yang berkaitan dengan etika seperti perawat, ahli bedah, hakim, polisi, dll.

Ancaman terhadap Keamanan

Sistem AI yang memperbaiki diri bisa menjadi sangat kuat daripada manusia yang bisa sangat sulit dihentikan untuk mencapai tujuan mereka, yang dapat menyebabkan konsekuensi yang tidak diinginkan.

Berikut adalah daftar istilah yang sering digunakan dalam domain AI -

Sr Tidak Istilah & Arti
1

Agent

Agen adalah sistem atau program perangkat lunak yang mampu otonom, terarah, dan bernalar yang diarahkan ke satu atau lebih tujuan. Mereka juga disebut asisten, pialang, bot, droid, agen cerdas, dan agen perangkat lunak.

2

Autonomous Robot

Robot bebas dari kendali atau pengaruh luar dan mampu mengendalikan dirinya sendiri secara mandiri.

3

Backward Chaining

Strategi bekerja mundur karena Alasan / Penyebab suatu masalah.

4

Blackboard

Ini adalah memori di dalam komputer, yang digunakan untuk komunikasi antara sistem pakar yang bekerja sama.

5

Environment

Ini adalah bagian dari dunia nyata atau komputasi yang dihuni oleh agen.

6

Forward Chaining

Strategi bekerja maju untuk kesimpulan / solusi dari suatu masalah.

7

Heuristics

Ini adalah pengetahuan yang didasarkan pada Trial-and-error, evaluasi, dan eksperimen.

8

Knowledge Engineering

Memperoleh pengetahuan dari ahli manusia dan sumber daya lainnya.

9

Percepts

Ini adalah format di mana agen memperoleh informasi tentang lingkungan.

10

Pruning

Mengesampingkan pertimbangan yang tidak perlu dan tidak relevan dalam sistem AI.

11

Rule

Ini adalah format merepresentasikan basis pengetahuan dalam Sistem Pakar. Ini dalam bentuk IF-THEN-ELSE.

12

Shell

Shell adalah perangkat lunak yang membantu dalam merancang mesin inferensi, basis pengetahuan, dan antarmuka pengguna sistem pakar.

13

Task

Ini adalah tujuan yang coba dicapai oleh agen.

14

Turing Test

Tes yang dikembangkan oleh Allan Turing untuk menguji kecerdasan sebuah mesin dibandingkan dengan kecerdasan manusia.