Universitatea din Pitești, Facultatea de Științe, Educație Fizică și

Informatică

Referat Inteligență
artificială

Tema: Tehnici de Inteligență artificială

Student: Gherghina Laura Georgeta
Specializarea: Informatică, anul 3

-2017-
 Tehnici de Inteligență artificială
Ce este inteligența artificială?
Există numeroase definiții sau încercări de a defini inteligența artificială. Multitudinea
acestor definiții provine tocmai din faptul că domeniul, fiind legat de însăși esența naturii umane,
este deosebit de provocator.

O încercare de definire a inteligenței artificiale ar trebui să pornească de la definiția

inteligenței, definiție departe de a fi banal de formulat. Multe din abordările caracterizării
domeniului au eludat sau au atins doar parțial acest aspect, altele l-au considerat implicit. Câteva
definiții ale inteligenței artificiale, dintre cele mai cunoscute și relevante, sunt date în continuare:

• Inteligența artificială este domeniul științei calculatoarelor care se ocupă de studiul și

crearea sistemelor de calcul și a programelor care prezintă o formă de inteligență: sisteme care
învață noi concepte, care pot raționa și deduce concepte utile într-un domeniu al lumii
înconjurătoare, sisteme care pot înțelege limbajul natural sau percepe și înțelege un peisaj, într-
un cuvânt sisteme care necesită capacități inteligente specifice omului.

• Inteligența artificială este studiul ideilor care permit calculatoarelor să fie inteligente.

• Inteligența artificială este studiul facultăților mentale pe baza modelelor

computaționale.

• Inteligența artificială se distinge prin subiectele pe care le tratează, nu prin istorie sau
metode specifice. Subiectul tratat de inteligența artificială este mintea, considerată ca un sistem
de prelucrare a informației.

Marvin Minsky, întrebat ce este inteligența artificială, a răspuns: "Există întotdeauna

persoane care au nevoie să definească totul pentru a realiza ceva. De ce?"

Se poate observa din aceste definiții că anumite curente de opinii privesc inteligența
artificială ca o modalitate de cercetare, descoperire și simulare (copiere) a modului de
funcționare a inteligenței umane. Această perspectivă a condus la numeroase cercetări în
inteligența artificială și la dezvoltarea unor noi domenii cum ar fi știința cunoașterii, domeniu
studiat de psihologi, lingviști, informaticieni, filozofi și domeniul rețelelor neuronale, numit și
inteligență artificială la nivel subsimbolic.

O a doua perspectivă asupra inteligenței artificiale consideră domeniul dintr-un punct de

vedere pragmatic. Nu contează dacă inteligența artificială utilizează modelele și mecanismele
comportamentului inteligent uman, importantă este capacitatea sistemelor de calcul de a rezolva
aceleași probleme cu performanțe similare cu cele ale oamenilor. Ca orice stiință, inteligența
artificială se ocupă de o serie de probleme cu caracteristici generale comune și dezvoltă tehnici
specifice de rezolvare a acestor probleme.
 Tehnici de inteligență artificială
Problemele de inteligență artificială fac parte din diverse domenii și par să nu aibă în
comun altă caracteristică decât aceea că sunt dificil de rezolvat. Există însă tehnici specifice
rezolvării problemelor în inteligența artificială. Cum se pot caracteriza aceste tehnici și cum se
poate decide dacă aceste tehnici pot fi utilizate și în rezolvarea unor probleme care nu sunt
considerate a fi probleme de inteligență artificială? Rezultatul cel mai important al cercetărilor de
inteligență artificială din ultimele decenii este punerea în evidență a rolului fundamental al
cunoștințelor într-un sistem inteligent. Caracteristicile cunoștințelor impun necesitatea găsirii
unor modalități adecvate de reprezentare și prelucrare a cunoștințelor în sistem.

Sisteme fuzzy
Logica fuzzy arată importanța relativă a preciziei. „ Precizarea nu este adevăr”, spunea
Henri Matisse. Albert Einstein spunea la rândul său: „ Legile matematicii sunt foarte departe de
realitate, ele nu sunt sigure. Şi pentru că sunt foarte departe de a fi sigure ele nu
reflectă realitatea”. Există şi zicale populare în acest sens: „ Nu vede pădurea, din cauza
copacilor”.

Pornind de la aceste considerente, în 1965, Lofti Zadeh, profesor la Universitatea

Barkeley din California, a introdus noțiunea de mulțime vagă ( în engleză „fuzzy set”), care
furnizează posibilități de reprezentare şi manipulare a cunoaştințelor imperfect descrise, vagi sau
imprecise. Logica fuzzy este un teritoriu fascinant de cercetare, deoarece realizează o
legătură foarte bună  între semnificație  şi precizie. Ea apare uneori exotică sau intimidantă 
pentru cei nefamiliarizați, dar odată ce îi pătrunzi tainele, poți fi surprins de simplitatea
raționamentelor.

Ce înseamnă  precizie  şi semnificația în lumea reală? De exemplu, o greutate este gata

să strivească un om şi colegul său de muncă îi atrage atenția:

 „ O greutate de 1500 kg se apropie de capul tău cu viteza de 45,3 m/s”  

→ aceasta este precizie.
 „ Fereşte‐te ! Dă‐te la o parte ! Fugi” → aceasta este semnificație.

Logica fuzzy este o cale de a trasa o hartă între spațiul de intrare ( informație) şi spațiul
de ieşire (decizie). De exemplu, cineva spune cât de bine a fost servit la restaurant şi altcineva
spune, pe această  bază, ce bacşis să dea. Cineva spune cât de departe este obiectivul pe care vrea
să îl fotografieze şi altcineva, pe această bază, îi focalizează lentilele. Grafic vorbind, o
hartă între intrare şi ieşire arată astfel:
 Cutia neagră  poate conține sisteme fuzzy, sisteme liniare, sisteme expert, rețele
neuronale, ecuații diferențiale, tabele multidimensionale de interpolare şi lista rămâne deschisă.
Pentru a umple cutia neagră, logica fuzzy este, de cele mai multe ori, cea mai bună cale pentru
că, aproape în toate cazurile, cu ajutorul ei se obține acelaşi produs (ca prin alte metode) dar mai
repede şi mai ieftin. Avantajele utilizării logicii fuzzy, față de alte metode sunt:

a – este uşor de înțeles, pentru că foloseşte concepte matematice simple;

b – este flexibilă, deoarece porneşte de la informații cu un grad mai mare, sau mai mic de
imprecizie;

c – poate modela funcții neliniare cu o complexitate arbitrară, se poate crea un sistem

fuzzy, pornind de la orice mulțime de date intrare‐ieşire;

d – se bazează pe limbajul natural, adică limbajul comunicării umane;

e – poate fi combinată cu tehnicile de control convenționale.

Singurul caz în care nu se recomandă  utilizarea logicii fuzzy, este acela în care există,
deja, o soluție mai simplă. Ca aparat de lucru, logica fuzzy are, în mediul MATLAB, un modul
special.

Mulțimi fuzzy şi funcții de apartenență

Definirea unei mulțimi X, în sens clasic, înseamnă să se decidă dacă un element dat x
aparține lui X, sau nu. Construcția mulțimii se face fie prin indicarea elementelor sale, fie prin
enunțarea unor propietăți comune ale lor.

Pentru o mai bună înțelegere, se consideră următorul exemplu: apartenența zilelor

săptămânii la „week‐end”.

În sens clasic, definiția de dicționar pentru week‐end este „perioada dintre noaptea de
vineri şi dimineața de duminică”. O definiție imprecisă, care nu arată  cât de mult aparțin zilele
de vineri  şi duminică noțiunii de week‐end. Utilizând logica fuzzy, putem răspunde acestei
probleme astfel:

Întrebare: Este ziua de sâmbătă, zi de week‐end?

Răspuns: 1 (da, sau adevărat).

 Întrebare: Este ziua de joi, zi de week‐end?

Răspuns: 0 (nu, este fals).

Întrebare: Este ziua de vineri, zi de week‐end?

Răspuns: 0,8 (în cea mai mare parte da, dar nu complet).

Întrebare: Este ziua de duminică, zi de week‐end?

Răspuns: 0,95 (da, dar mai puțin decât sâmbătă).

O reprezentare grafică, în logica fuzzy a problemei de mai sus, arată  astfel:  

Putem considera, ca un alt exemplu pentru mulțimile fuzzy, cele patru anotimpuri. Se
pune întrebarea: Ce anotimp este acum?

În emisfera nordică, utilizând definiția astronomică, limitele sunt precise: iarna:

1 decembrie – 28 februarie; primăvara: 1 martie – 31 mai; vara: 1 iunie – 30 august; toamna:
1 septembrie – 31 noiembrie. Experiența din ultimii ani arată însă, că lucrurile nu stau totdeauna
astfel. Analizând grafic situația, în logica fuzzy, rezultă:

După trecerea în revistă a acestor exemple, se poate da şi o altă definiție a funcției de

apartenență: „ O funcție de apartenență  este o curbă  care defineşte modul în care fiecare punct
din domeniul de definiție, i se alocă o valoare (grad) de apartenență, între 0 şi 1. Unul dintre cele
mai utilizate exemple de mulțimi fuzzy este mulțimea oamenilor înalți.

De exemplu, un individ cu înălțimea 1,50 m nu aparține deloc clasei „oameni înalți”. În

schimb, dacă are 1,80 m, atunci apartenența la această clasă este totală. Dacă înălțimea sa este
cuprinsă între 1,50 m şi 1,80 m, atunci apartenența sa la clasa respectivă  este cu atât mai
puternică, cu cât înălțimea sa se apropie mai mult de 1,80 m. Noțiunea de mulțime fuzzy
evită utilizarea arbitrară a unor limite clasice rigide ale claselor, cum ar fi, în exemplul precedent,
să considerăm că cineva care are 1,80 m este înalt şi altcineva, care are 1,79 m, nu face parte din
această categorie.

Sisteme expert

Sistemele expert sunt produse ale inteligenței artificiale, ramură a științei calculatoarelor

ce urmărește dezvoltarea de programe inteligente. Ceea ce este remarcabil pentru sistemele
expert, este aria de aplicabilitate ce a cuprins multe domenii de activitate de la arhitectură,
arheologie, bănci, comerț, educație, până la ingineria sistemelor și medicină.

Un sistem expert (SE) este un program care urmărește un grup de cunoștințe pentru

obținerea în același mod ca și experții umani a rezultatelor despre activități dificil de examinat.
Principala caracteristică a sistemelor expert este derivată din baza de cunoștințe împreună cu un
algoritm de căutare specific metodei de raționare. Un sistem expert tratează cu succes probleme
pentru care o soluție algoritmică clară nu există. Cronologic, primele aplicații ale inteligenței
artificiale le-au constituit sistemele expert. Acestea emulează raționamentul uman pentru sarcini
specifice și în domenii restrânse și au fost foarte bine primite de companii.

Sistemele expert sunt construite din programe ce conțin cunoștințele unui expert uman și
sunt responsabile de luarea deciziilor pentru soluționarea problemelor, simulând comportamenul
experților din domeniile investigate. Ceea ce este remarcabil pentru sistemele expert este aria de
aplicabilitate ce a cuprins multe domenii de activitate. Primele sisteme expert dezvoltate în
domenii aplicative au fost DENDRAL, destinat analizei structurilor moleculare, MYCIN, un
sistem expert pentru diagnosticul și tratamentul infecțiilor sanguine, sistemele EMYCIN,
HEADMED, CASNET și INTERNIST pentru domeniul medical, PROSPECTOR pentru
evaluarea prospecțiunilor și forajelor geologice, sau TEIRESIAS pentru achiziția inteligentă a
cunoașterii.

Sistemele expert bazate pe reguli se dezvoltă și se implementează în multe domenii de

activitate, inclusiv în cel financiar-contabil: control intern, audit, planificarea impozitelor,
diagnostic financiar, raportare financiară, contabilitate managerială, analiză credite, analiza
riscului, planificare investiții, etc. Marile firme de contabilitate și audit își realizează propriile
sisteme expert în domeniului controlului intern și al auditului: ExpertTAX, Risk Advisor
(Coopers & Lybrand), Loan Probe, Peat/1040 (KPMG), VATIA, Flow Eval (Ernst & Young).
Bibliografie
1. Elemente de Inteligență artificială, Volumul I. Principii și modele, Adina Magda
Florea, București 1993
2. http://elth.ucv.ro/student1/Cursuri/Popescu%20Daniela/Tehnici%20de%20inteligenta
%20artificiala/Tehnici%20de%20inteligenta%20artificiala.pdf
3. Agenți inteligenți cu capacități cognitive, Florin Leon, Iași 2006
4. https://www.google.ro/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=10&ved=0ahUKEwiMmMHk49jTAhUiQ
JoKHSJlAYoQFghaMAk&url=https%3A%2F%2Fub642.files.wordpress.com
%2F2010%2F12%2Fsisteme_expert.doc&usg=AFQjCNE3xLe8SuGz0Rn7sQOrUIF
OofBkmw&sig2=H4UbthoIkgiSFME4v5112Q