CURS 1

INTELIGENTA
COMPUTATIONALA
Sisteme inteligente

• Definitia sistemelor inteligente trebuie sa plece de la notiunea de inteligenta.

• Exista numeroase acceptiuni ale notiunii de inteligenta:

• -abilitatea de a intelege anumite fenomene si de a folosi cunostintele extrase din experiente

• -abilitatea de a capata si de a retine cunostinte

• -abilitatea de a raspunde repede si eficient unor noi situatii, etc.

Sisteme inteligente

• Conform DEX, “inteligenta” este capacitatea individului de a intelege usor si bine , de a sesiza ce
este esential, de a rezolva situatii sau probleme noi pe baza experientei acumulate anterior.

• Definitie ( R. Marks). Un sistem inteligent este un sistem care imita anumite aspecte ale
inteligentei naturale. Aceste aspecte includ: invatare, adaptabilitate, robustete in domeniile
problemei, imbunatatirea performantei (in timp si spatiu), comprimarea informatiei (datele se
transforma in cunostinte), rationament extrapolat.

• Exemple de sisteme inteligente: persoanele, animalele mai mari, robotii, o afacere, o natiune
Sisteme inteligente

• Dintr-o perspectiva computationala, un sistem inteligent trebuie sa fie caracterizat de :

• -flexibilitate

• -adaptabilitate

• -invatare

• -capacitate de rationament

• abilitatea de management a incertitudinii si a informatiei imprecise

Sisteme inteligente

• Sistem inteligent flexibil: -capabil de a suporta o cantitate de variatie

• -flexibilitatea in a fi utilizat

• -flexibilitate la schimbare: posibilitatea de a suferi imbunatatiri

• Sistem inteligent adaptiv: -abilitatea de a se schimba pentru a suferi modificari

• -abilitatea de a suferi perturbatii

• -abilitatea de a se adapta eficient si rapid la circumstantele in schimbare

• Prin urmare, un sistem adaptiv este un sistem deschis care este capabil sa isi ajusteze
comportamentul corespunzator schimbarilor din mediu sau din interiorul sistemului.
Sisteme inteligente

• Sistem inteligent capabil de rationament: genereaza concluzii din cunostintele

disponibile folosind tehnici logice precum deductia si inductia.

• Deductia: se pleaca de la o baza de cunostinte suficiente asupra universului problemei si

se extrag reguli esentiale.

• Inductia: se generalizeaza o problema plecand de la un set de exemple.

• Extrapolarea este o extindere a unei notiuni, legi, teorii, de la un domeniu mai larg la
altul, trecerea de la o idee la alta, mai complexa, cu o sfera mai larga, etc.

• Sistem capabil de invatare: pe baza unui set de date (intrari), un sistem este capabil sa
se autoinstruiasca si sa isi imbunatateasca comportamentul.
 Sisteme inteligente

•Sistem inteligent artificial=un program de calculator

care functioneaza in acelasi mod precum creierul
biologic, numai ca intr-un mod electronic si nu prin
activarea neuronilor biologici. Este similar cutiei negre:
are inputuri si invata care outpuri sunt acceptate.
•Un sistem inteligent artificial stocheaza experiente in
memorie, le generalizeaza si poate sa prelucreze noi
inputuri.
INTELIGENTA ARTIFICIALA

Inteligenta artificiala (AI) este domeniul ce se ocupa cu studiul sistemelor inteligente.

Definitii ale AI:
Richard E. Bellman (1978) : automatizarea activitatilor pe care le asociem cu gandirea
umana, activitati precum luarea deciziilor, rezolvarea problemelor, invatarea.
Webopedia (2002) : ramura a informaticii care studiaza modul in care computerele se
comporta ca oamenii.
AI Depot (2001): ramura a stiintei care se refera la a ajuta masinile sa gaseasca solutii la
probleme complexe intr-un mod asemanator oamenilor. Aceasta presupune a imprumuta
caracteristici ale inteligentei umane si a le aplica sub forma de algoritmi.
INTELIGENTA COMPUTATIONALA

• Inteligenta Computationala (CI), subdomeniu al AI, cuprinde concepte, paradigme,

algoritmi si implementarea sistemelor care manifesta comportamente inteligente in
medii complexe.
• CI se bazeaza in special pe metode inspirate din natura. Aceste metode au avantajul
ca tolereaza cunostintele incomplete, incerte si deci faciliteaza gasirea unor solutii
care sunt aproximative si robuste in acelasi timp.
• 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, etc.
• Calitatea unui sistem inteligent depinde in principal de cat de bine este rezolvata
problema reprezentarii informatiei
INTELIGENTA COMPUTATIONALA

• 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.
• In versiunea actuala, CI are urmatoarele domenii:
• -logica fuzzy (fuzzy logic)
• -calcul evolutionist (evolutionary computation)
• -retele neuronale (neural networks)
• -sisteme hibride (hybrid systems)
• Domeniile sunt intr-o relatie de complementaritate (nu concurentiala), in care fiecare
contribuie cu avantajele si tehnicile proprii la solutionarea problemelor.
Machine Learning

• In ultimii ani ML (invatare automata), si in special subcomponenta sa Deep Learning (DL-

invatare profunda/complexa) au inregistrat progrese impresionante. Tehnicile dezvoltate de
aceste 2 domenii sunt capabile sa analizeze si sa invete din cantitati uriase de exemple din
lumea reala in diverse formate.
• ML este un subset de tehnici de AI care permite sistemelor informatice sa invete din
experienta anterioara (i.e. din observatiile de date) si sa-si imbunatateasca comportamentul
intr-un anumit scop.
• Retelele neuronale artificiale sunt un subset de tehnici de ML, descrise ca o multime de
unitati interconectate (numite neuroni artificiali), organizate in straturi.
• DL este un subset de RNA care face posibil calculul la nivel de RNA multistrat. Arhitecturile
tipice DL sunt: RN convolutionale, recurente, profunde, etc.
Deep Learning

• Invatarea profunda (DL) este o tendinta recenta de invatare automata (subdomeniu al ML)
care modeleaza reprezentari extrem de neliniare ale datelor, fiind un software care imita
reteaua de neuroni biologici .
• Se numeste invatare profunda/complexa deoarece utilizeaza RN profunde/complexe, adica
foloseste diferite straturi ascunse pentru a invata din date. Complexitatea modelului este
data de nr. de straturi ascunse din model, etapa de invatare realizandu-se printr-o retea
neuronala.
• DNN (Deep Neural Networks) sunt capabile sa invete caracteristici la nivel inalt, cu mai multa
complexitate, abstractizare, datorita nr. mai mare de straturi ascu se decat retelele
superficiale.
• Pentru a obtine o precizie ridicata in predictie, trebuie sa se tina seama de arhitectura
generala a retelei si functia de activare.
SOFT COMPUTING

• In 1984, L. A. Zadeh a propus o noua abordare a masinilor

inteligente, separand Hard Computing de Soft Computing.
• Hard Computing este orientat catre analiza si designul sistemelor
si proceselor fizice si are drept caracteristici precizia,
formalizarea si categoricitatea.
• Hard Computing se bazeaza pe logica binara, sisteme crisp (bazate
pe logica bivalenta), analiza numerica, teoria probabilitatilor,
ecuatii diferentiale, analiza functionala, programare matematica,
teoria aproximarii si crisp software.
SOFT COMPUTING

• Soft Computing este orientat catre analiza si designul sistemelor

inteligente.
• Soft Computing se bazeaza pe logica fuzzy, retele neuronale
artificiale si rationamente probabilistice incluzand algoritmii
genetici, teoria haosului si machine learning.
• 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 si tractabilitate (usor de controlat).
SOFT COMPUTING

In rezumat, Soft Computing are urmatoarele subdomenii:

-sisteme fuzzy
-retele neuronale
-calcul evolutiv
-machine learning
-rationamente probabiliste
Se observa ca CI se suprapune peste Soft Computing (au aproximativ
aceleasi subdomenii).
Logica fuzzy

• Multimile si sistemele fuzzy au fost introduse in 1965 de

matematicianul si inginerul american Lotfi. A. Zadeh (1921-2017).
• 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”.
Logica fuzzy

• “Fuzziness” se refera la imprecizie si incertitudine in informatii si date.

• Majoritatea conceptelor din lumea reala sunt fuzzy.
• In logica clasica, cunoscuta ca logica crisp, un element (obiect) apartine sau nu apartine unei multimi.
• Aceasta inseamna ca gradul sau de apartenenta este 0 sau 1.
• Intr-o multime fuzzy, gradul de apartenenta ia valori in intervalul [0, 1].
• Functia de apartenenta este notiunea centrala in teoria multimilor fuzzy.
• 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).
• CRISP : provine de la filozoful grec CHRYSIPPOS, la care apare explicit termenul de logica cu 2
valori(=bivalenta)
Logica fuzzy

• Multimile fuzzy modeleaza proprietatile de imprecizie, aproximare. Logica fuzzy rezolva probleme unde
logica crisp esueaza.

• Incertitudinea si impecizia sunt aspecte ale informatiei imperfecte ce apare in studiul unor sisteme
complexe din natura si societate. In literatura exista si metode clasice de reprezentare a informatiei
imperfecte, precum teoria probabilitatilor si analiza intervalelor.

• Teoria probabilitatilor modeleaza incertitudinea bazata pe sansa si are ca punct de plecare frecventa de
realizare a evenimentelor. Din cauza impreciziei masuratorilor uneori este mai indicat ca datele sa fie
reprezentate prin intervale ale dreptei reale. Acest fapt a condus la analiza intervalelor sau calculul
intervalelor.
• Studierea unor notiuni ca “multimea oamenilor inalti” sau a unor propozitii “ne intalnim in jurul
pranzului” nu intra in sfera teoriei probabilitatilor sau a calculului intervalelor. Exemple de acest fel pun
in evidenta un alt tip de incertitudine, numita “FUZZINESS” sau “VAGUENESS”.
Istoria logicii fuzzy

• Concepte de logica fuzzy- L. A.Zadeh (1965)

• Algoritmi fuzzy - L. A. Zadeh (1973)
• Reguli lingvistice - E, Mamdani (1975)
• Aplicatii industriale - Japonia (1987)
• Controlul vehiculelor, controlul proceselor, recunoasterea tiparelor (pattern
recognition), procesarea imaginilor, sisteme militare- Coreea
• Cercetarea spatiului- SUA
• Aplicatii in probleme foarte complexe, e.g. elicoptere fara pilot - Japonia
(1991), etc.
Aplicatii ale logicii fuzzy

• modelare si control
• clasificare si recunoasterea tiparelor
• baze de date
• sisteme expert
• procesarea semnalelor si imaginilor
• economie, finante
• optimizari, etc.
Multimi fuzzy

• Multimile si sistemele fuzzy au fost introduse de Lotfi A. Zadeh in 1965, in

lucrarea “Fuzzy sets”, Information and Control, 8(3), 1965, 338-353.
• Fuzziness se refera la imprecizie si incertitudine in informatii si date.
• Multimile si sistemele fuzzy au la baza logica fuzzy – 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 (crisp, clasica).
• Multimile fuzzy modeleaza proprietati de imprecizie si aproximare.
 I Multimi clasice (crisp)

• Fie X o multime nevida (univers). Elementele lui X pot fi gandite ca indivizi,

stari, alternative, etc. Vom nota cu P(x) familia submultimilor lui X.

• Consideram o proprietate (atribut ) P relativ la elementele multimii X. Vom

scrie:

• P(x) : x are proprietatea P.

• Expresia P(x) se numeste predicat in variabila x.

• Daca a este un element al lui X atunci P(a) va fi propozitia : “ Elementul a

verifica proprietatea P”.
I Multimi clasice (crisp)

Vom presupune ca pentru orice element a al lui X, propozitia P(a) este adevarata sau
falsa.
In acest caz, vom spune ca proprietatea P este bivalenta.
Orice proprietate bivalenta determina o submultime A a lui X.
Exemplu
Fie X multimea locuitorilor din Bucuresti. Consideram predicatul
P(x) : x este economist
Atunci
P(Ion Ionescu) : Ion Ionescu este economist
Proprietatea P determina multimea economistilor din Bucuresti.
II Multimi fuzzy

Sa consideram urmatoarele expresii ( numite tot predicate in variabila x):

(a)x este un numar real mult mai mare decat 100
(b)x este un barbat foarte inalt
(c)x este un produs foarte ieftin
(d)x este un numar rational apropiat de 1.

Fiecare dintre aceste predicate se raporteaza la cate un univers:

(a)– multimea R a numerelor reale
(b)– multimea barbatilor
(c)– multimea produselor de un anume tip
(d)– multimea Q a numerelor rationale
II Multimi fuzzy

Observatia principala ce se poate face asupra acestor predicate este

ca ele nu produc propozitii bivalente
Nu putem sa determinam (sa spunem in termeni precisi) care
sunt :
(a)submultimea crisp a lui R formata din numerele mult mai mari
decat 100
(b)multimea crisp a barbatilor foarte inalti
(c)multimea crisp a produselor foarte ieftine
(d)numerele rationale foarte apropiate de 1.
II Multimi fuzzy

Ideea fundamentala a lui Zadeh este aceea de “ grad de

apartenenta al unui element.” Aceasta notiune ar exprima gradul in
care proprietati exprimate prin predicate de tipul de mai sus ar fi
satisfacute de catre elementele unui univers.
II Multimi fuzzy

Exemple de multimi fuzzy

a)multimea numerelor reale x>>1;

b) multimea temperaturilor ridicate, multimea vanturilor puternice sau a zilelor frumoase
din buletinul meteorologic;
c)multimea oamenilor tineri: Un copil de un an va fi in mod clar un membru al multimii
oamenilor tineri, in timp ce o persoana de 100 de ani nu va fi. O persoana de 30 de ani
poate fi tanara cu gradul de apartenenta 0.5;
d)multimea adultilor,
e)un predicat poate fi crisp, dar interpretat ca fuzzy: o viteza limita de 60km/h este
perceputa de unii soferi intr-un interval de viteze mai mult sau mai putin acceptabil de 60-
70 km/h. Legea de circulatie este crisp, pe cand intelegerea ei de catre soferi este fuzzy.