Documente Academic
Documente Profesional
Documente Cultură
SISTEME INTELIGENTE
1
- invatare
- capacitate de rationament
- abilitatea de management a incertitudinii si a informatiei imprecise.
2
Sistem capabil de invatare=pe baza unui set de date (intrari), un sistem este
capabil sa se autoinstruiasca si sa isi imbunatateasca comportamentul.
3
date, îmbunătățindu-și performanța în timp, fără a fi programate în mod
explicit pentru fiecare sarcină. Învățarea profundă (Deep Learning), un
subdomeniu al ML, utilizează rețele neuronale cu mai multe straturi pentru a
analiza modele complexe în seturi mari de date.
●Natural Language Processing (NLP). Această tehnologie permite
sistemelor inteligente artificiale să înțeleagă, să interpreteze și să genereze
limbajul uman, permițând interacțiuni mai naturale între oameni și mașini
prin voce sau text.
●Robotica. Unele sisteme AI sunt încorporate în roboți, permițându-le să
îndeplinească sarcini fizice, să interacționeze cu mediul lor și să navigheze
în mod autonom.
●Computer Vision. Sistemele AI echipate cu viziune computerizată pot
interpreta și înțelege lumea vizuală - recunoscând obiecte, fețe, scene și
activități în imagini și videoclipuri.
●Sisteme suport de decizie. AI poate fi utilizată pentru a asista sau
automatiza procesele de luare a deciziilor, analizând cantități mari de date
pentru a identifica modele, a prezice rezultatele și a recomanda acțiuni.
INTELIGENTA ARTIFICIALA
INTELIGENTA COMPUTATIONALA
5
Problemele complexe din domenii variate precum tehnic, comercial,
financiar, necesita aplicatii pe calculator care trebuie sa arate “un
comportament inteligent”. Aceste aplicatii intentioneaza sa sprijine procesul
de luare a deciziilor, sa controleze procese, sa recunoasca si sa interpreteze
patternuri sau sa manevreze vehicule sau roboti autonomi intr-un mediu
incert.
Calitatea unui sistem inteligent depinde in principal de cat de bine este
rezolvata problema reprezentarii informatiei.
Termenul de inteligenta computationala s-a impus cu ocazia Congresului
Mondial de CI (IEEE) din 1994, Orlando, Florida.
R. Marks (1993) defineste CI enumerand componentele sale: retele
neuronale, algoritmi genetici, sisteme fuzzy, programare evolutiva si
artificial life.
6
In versiunea actuala, CI are urmatoarele domenii:
-logica fuzzy (fuzzy logic)
-calcul evolutionist (evolutionary computation)
-retele neuronale (neural networks)
-sisteme hibride (hybrid systems)
SOFT COMPUTING
7
In Hard Computing imprecizia si incertitudinea sunt proprietati indezirabile;
in Soft Computing toleranta la imprecizie si incertitudine este exploatata
pentru a obtine o solutie acceptabila cu un cost scazut, tractabilitate (usor de
controlat).
Conform lui Zadeh (1994), Soft Computing este:
o multime de metodologii care ofera o fundamentare pentru conceperea si
designul sistemelor inteligente.
urmareste o formalizare a abilitatii remarcabile a omului de a lua decizii
rationale in situatii imprecise si incerte
Teza principala a Soft Computing este sa exploateze toleranta la imprecizie,
incertitudine si adevar partial pentru a realiza tractabilitate, robustete, solutii
la un cost scazut si un raport mai bun cu realitatea.
NOTA Robustete
Un sistem robust presupune ca el este relativ putin sensibil la erori sau
perturbatii si are o capacitate puternica de a se reface. De exemplu, un
ecosistem care a suferit daune serioase, cum ar fi un foc, in general se va
reface relativ rapid. Un motiv al acestei tolerante la erori, este organizarea
distribuita si redundanta: acele parti ale sistemului care nu au suferit daune
contribuie si coopereaza la refacerea celor afectate.
Un alt motiv al robustetii poate fi gasit in fluctuatii, miscarile aleatoare sau
zgomote. Sistemele au tendinta de a prezenta miscari aleatoare care
determina, mai departe, o variabilitate si diversitate intrinseca, ceea ce face
autoorganizarea posibila. O anumita cantitate de incertitudine, determinata
de comportamentul fluctuant, aleator al sistemului, va facilita mai degraba
decat va impiedica autoorganizarea.
8
In rezumat, Soft Computing are urmatoarele subdomenii:
-sisteme fuzzy
-retele neuronale
-calcul evolutiv
-machine learning
-rationamente probabiliste
Logica fuzzy
Multimile si sistemele fuzzy au fost introduse de L. A. Zadeh (1965).
Terminologie:
Fuzzy: vag, neclar, imprecis, scamos, pufos, nuanţat
Fuzziness: imprecizie nestatistica si caracter vag al informatiilor si datelor
Lotfi Zadeh: “Motivul pentru care am ales cuvântul fuzzy este că ceea ce
am avut în minte sunt clasele care nu au graniţe precis delimitate”.
9
Multimile si sistemele fuzzy au la baza logica fuzzy, care poate fi
considerata logica “rationamentului aproximativ” (nu se vorbeste de
enunturi adevarate sau false, ci de gradul de adevar al unui enunt). Logica
fuzzy este o generalizare a logicii bivalente (conventionala, crisp, clasica).
Multimile fuzzy modeleaza proprietatile de imprecizie, aproximare. Logica
fuzzy rezolva probleme unde logica crisp esueaza.
10
3.Strategii evolutive (evolution strategies)
4.Programare genetica (genetic programming)
5.Optimizarea roiurilor de particule (particle swarm optimization)
Reţele neuronale
Retelele neuronale artificiale sunt sisteme de prelucrare a informatiei ce
modeleaza structura creierului – inspiratie biologica.
- Simuleaza o structura de calcul paralela extrem de interconectata, ce
contine un numar mare de elemente de prelucrare (neuroni) relativ
simple.
Elementele de prelucrare sunt conectate prin conexiuni ponderate.
Ponderile conexiunilor stocheaza informatia (cunostintele), reteaua fiind
astfel capabila de adaptare prin modificarea acestor ponderi.
Istoric:
11
- 1943: neuropsihologul W. McCulloch si matematicianul W. Pitts au scris
prima lucrare de retele neuronale ( “A logical calculus of the ideas imanent
in nervous activity” )
- 1949: Donald Hebb (“ The organization of the behaviour”) : cu cat este
mai mult folosita, cu atat o conexiune neuronala devine mai puternica.
- 1958: Rosenblatt introduce perceptronul, retea neuronala cu un singur
strat
Sisteme hibride
Sistemele hibride combina doua sau mai multe tehnologii (logica fuzzy,
retele neuronale, algoritmi genetici, etc.) pentru a construi sisteme
inteligente.
Fiecare din aceste tehnologii reprezinta un mod de a modela inteligenta
umana. Totusi, aceste tehnologii luate individual au restrictii si limite.
Combinand una sau mai multe tehnologii intr-un sistem hibrid, sporesc
capabilitatile si performanta sistemului si prin aceasta se obtine o mai buna
intelegere a cunoasterii umane.
Exista mai multe modalitati de a obtine sisteme hibride:
12
Combinarea: exemplul tipic este o combinatie de retele neuronale si
sisteme bazate pe reguli fuzzy.
Integrarea : aceasta arhitectura foloseste de obicei trei sau mai multe
tehnologii si introduce o ierarhie intre subsistemele individuale. De
exemplu, unul dintre subsisteme este dominant si poate distribui task-uri
catre alte subsisteme.
Fuziunea: o arhitectura cuplata puternic, de obicei bazata pe o capacitate de
optimizare puternica intre algoritmi genetici si retele neuronale. Prin
fuziunea unor asemenea tehnologii distincte, eficienta de invatare a
sistemului rezultat creste.
Asocierea: arhitectura in care se asociaza diverse tehnologii individuale,
schimband cunostinte si fapte reciproc.
13
unui limbaj. Cei doi specialisti au studiat acest proces cu ajutorul unei retele
neuronale capabile sa invete timpul trecut al limbii engleze. Invatand,
reteaua neuronala a progresat din faza unui incepator pana la o faza de
specialist in care era capabila de a determina timpul trecut pentru verbe
neregulate. Abilitatea retelei neuronale de a generaliza pe baza unor date
incomplete si de a se auto-organiza, au permis ca reteaua neuronala sa
genereze raspunsuri corecte cand i s-a prezentat un verb nou sau necunoscut
14