ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ

(ΤΕΙ) ΛΑΜΙΑΣΣΤΕΦ

ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΗΣ

ΣΧΕΣΗ ΑΝΘΡΩΠΟΥ-ΜΗΧΑΝΗΣ & ΤΕΧΝΗΤΗ ΝΟΗΜΟΣYΝΗ

ΕΡΓΑΣΙΑ ΓΙΑ ΤΟ ΜΑΘΗΜΑΡΟΜΠΟΤΙΚΗΣ

ΕΚΠΟΝΗΘΗΚΕ ΑΠΟ ΤΟΝ

ΔΙΔΑΣΚΩΝ ΚΑΘΗΓΗΤΗΣ

ΛΑΜΙΑ,

ΠΕΡΙΕΧΟΜΕΝΑ

1 ΕΙΣΑΓΩΓΉ.....................................................................................................................................................................- 1 -

2 ΤΙ ΕΊΝΑΙ Η ΤΕΧΝΗΤΉ ΝΟΗΜΟΣΎΝΗ...................................................................................................................- 1 -

2.1 ΣΤΌΧΟΣ ΤΗΣ ΤΕΧΝΗΤΉΣ ΝΟΗΜΟΣΎΝΗΣ..................................................................................................................- 2 -2.2 ΤΑ ΒΉΜΑΤΑ ΕΞΈΛΙΞΗΣ ΤΗΣ ΤΕΧΝΗΤΉΣ ΝΟΗΜΟΣΎΝΗΣ.........................................................................................- 3 -

3 ΕΠΊΛΥΣΗ ΠΡΟΒΛΗΜΆΤΩΝ......................................................................................................................................- 5 -

3.1 ΠΕΡΙΓΡΑΦΉ ΠΡΟΒΛΗΜΆΤΩΝ....................................................................................................................................- 5 -3.1.1 Περιγραφή με Χώρο Καταστάσεων......................................................................................................................- 5 -3.1.2 Περιγραφή με Αναγωγή........................................................................................................................................- 6 -

4 ΑΛΓΌΡΙΘΜΟΙ ΑΝΑΖΉΤΗΣΗΣ..................................................................................................................................- 7 -

4.1 ΓΕΝΙΚΌΣ ΑΛΓΌΡΙΘΜΟΣ ΑΝΑΖΉΤΗΣΗΣ.....................................................................................................................- 7 -4.2 ΑΛΓΌΡΙΘΜΟΙ ΤΥΦΛΉΣ ΑΝΑΖΉΤΗΣΗΣ.......................................................................................................................- 8 -

4.2.1 Αναζήτηση Πρώτα σε Βάθος (Depth First Search - DFS)...................................................................................- 9 -4.2.2 Αναζήτηση Πρώτα σε Πλάτος (Breadth First Search – BFS)..............................................................................- 9 -4.2.3 Αλγόριθμος Επαναληπτικής Εkβάθυνσης (Iterative Deepening – ID).................................................................- 9 -4.2.4 Αναζήτηση Διπλής Κατεύθυνσης (Bitirectional Search – BiS)............................................................................- 9 -4.2.5 Αλγόριθμος Επέκτασης και Οριοθέτησης (Branch and Bound – B&B)...............................................................- 9 -

4.3 ΑΛΓΌΡΙΘΜΟΙ ΕΥΡΙΣΤΙΚΉΣ ΑΝΑΖΉΤΗΣΗΣ...............................................................................................................- 10 -4.4 ΑΛΓΌΡΙΘΜΟΙ ΑΝΑΖΉΤΗΣΗΣ ΣΕ ΠΑΙΧΝΊΔΙΑ ΔΥΟ ΑΝΤΙΠΆΛΩΝ...............................................................................- 10 -

5 ΑΝΑΠΑΡΆΣΤΑΣΗ ΓΝΏΣΗΣ.....................................................................................................................................- 11 -

5.1 ΕΊΔΗ ΓΝΏΣΗΣ.........................................................................................................................................................- 12 -5.2 ΚΡΙΤΉΡΙΑ ΑΞΙΟΛΌΓΗΣΗΣ ΜΕΘΌΔΩΝ ΑΝΑΠΑΡΆΣΤΑΣΗΣ ΓΝΏΣΗΣ...........................................................................- 12 -5.3 ΜΈΘΟΔΟΙ ΑΝΑΠΑΡΆΣΤΑΣΗΣ ΓΝΏΣΗΣ....................................................................................................................- 12 -

6 ΜΗ-ΑΚΡΙΒΕΊΣ ΤΕΧΝΙΚΈΣ ΛΉΨΗΣ ΑΠΟΦΆΣΕΩΝ..........................................................................................- 13 -

6.1 ΑΒΕΒΑΙΌΤΗΤΑ........................................................................................................................................................- 13 -6.2 ΑΣΆΦΕΙΑ.................................................................................................................................................................- 14 -6.3 ΕΦΑΡΜΟΓΈΣ ΣΥΣΤΗΜΆΤΩΝ ΑΣΆΦΕΙΑΣ..................................................................................................................- 14 -

7 ΜΗ ΣΥΜΒΟΛΙΚΈΣ ΜΈΘΟΔΟΙ...............................................................................................................................- 15 -

7.1 ΝΕΥΡΩΝΙΚΆ ΔΊΚΤΥΑ..............................................................................................................................................- 16 -7.1.1 Τεχνητός Νευρώνας...........................................................................................................................................- 16 -7.1.2 Τεχνητά Νευρωτικά Δίκτυα................................................................................................................................- 18 -7.1.3 Βασικές Λειτουργίες και Χαρακτηριστικά..........................................................................................................- 19 -

7.2 ΕΦΑΡΜΟΓΈΣ ΤΕΧΝΗΤΏΝ ΝΕΥΡΩΝΙΚΏΝ ΔΙΚΤΎΩΝ..................................................................................................- 19 -7.3 ΓΕΝΕΤΙΚΟΊ ΑΛΓΌΡΙΘΜΟΙ........................................................................................................................................- 20 -

7.3.1 Γενετικός Προγραμματισμός..............................................................................................................................- 20 -7.4 ΕΦΑΡΜΟΓΈΣ ΓΕΝΕΤΙΚΏΝ ΑΛΓΟΡΊΘΜΩΝ.................................................................................................................- 20 -

8 ΣΧΕΔΙΑΣΜΌΣ ΕΝΕΡΓΕΙΏΝ.....................................................................................................................................- 21 -

8.1 ΑΝΑΠΑΡΆΣΤΑΣΗ ΠΡΟΒΛΗΜΆΤΩΝ..........................................................................................................................- 22 -8.2 ΤΕΧΝΙΚΈΣ ΑΝΤΙΜΕΤΏΠΙΣΗΣ ΤΩΝ ΠΡΟΒΛΗΜΆΤΩΝ.................................................................................................- 22 -8.3 ΕΚΤΈΛΕΣΗ ΠΛΆΝΩΝ...............................................................................................................................................- 22 -

9 ΜΗΧΑΝΙΚΉ ΜΆΘΗΣΗ..............................................................................................................................................- 23 -

9.1 Η ΜΗΧΑΝΙΚΉ ΜΆΘΗΣΗ ΩΣ ΠΡΌΒΛΗΜΑ ΑΝΑΖΉΤΗΣΗΣ.........................................................................................- 24 -9.2 ΕΠΑΓΩΓΙΚΉ ΜΆΘΗΣΗ.............................................................................................................................................- 24 -9.3 ΆΛΛΑ ΕΊΔΗ ΜΆΘΗΣΗΣ...........................................................................................................................................- 24 -

9.3.1 Νευρωτικά Δίκτυα..............................................................................................................................................- 25 -9.3.2 Γενετικοί Αλγόριθμοι.........................................................................................................................................- 25 -9.3.3 Μάθηση κατά Bayes..........................................................................................................................................- 25 -9.3.4 Μάθηση Βασισμένη σε Παραδείγματα...............................................................................................................- 25 -9.3.5 Ενισχυτική Μάθηση...........................................................................................................................................- 25 -9.3.6 Εύρεση Γνώσης σε Βάση Δεδομένων.................................................................................................................- 25 -

10 ΔΙΑΣΎΝΔΕΣΗ ΜΕ ΤΟ ΠΕΡΙΒΆΛΛΟΝ....................................................................................................................- 26 -

2

10.1 ΦΥΣΙΚΉ ΓΛΏΣΣΑ....................................................................................................................................................- 26 -10.1.1 Επεξεργασία Φυσικής Γλώσσας....................................................................................................................- 26 -10.1.2 Κατανόηση Φυσικής Γλώσσας......................................................................................................................- 27 -10.1.3 Παραγωγή Φυσικής Γλώσσας.......................................................................................................................- 29 -10.1.4 Εφαρμογές Επεξεργασίας Φυσικής Γλώσσας................................................................................................- 30 -

10.2 ΜΗΧΑΝΙΚΉ ΌΡΑΣΗ.................................................................................................................................................- 31 -10.2.1 Ψηφιακή Περιγραφή Εικόνας........................................................................................................................- 31 -10.2.2 Στάδια Επεξεργασίας Μηχανικής Όρασης....................................................................................................- 32 -

10.3 ΕΦΑΡΜΟΓΈΣ ΜΗΧΑΝΙΚΉΣ ΌΡΑΣΗΣ........................................................................................................................- 33 -10.4 ΡΟΜΠΟΤΙΚΉ............................................................................................................................................................- 33 -

10.4.1 Τα Μέρη του Ρομπότ.....................................................................................................................................- 34 -10.4.2 Είδη Ρομπότ..................................................................................................................................................- 35 -

11 ΝΟΉΜΟΝΕΣ ΠΡΆΚΤΟΡΕΣ......................................................................................................................................- 36 -

11.1 ΤΑΞΙΝΌΜΗΣΗ ΠΡΑΚΤΌΡΩΝ.....................................................................................................................................- 37 -11.1.1 Οι Βιολογικοί Πράκτορες..............................................................................................................................- 37 -11.1.2 Οι τεχνικοί Πράκτορες..................................................................................................................................- 38 -

11.2 ΧΑΡΑΚΤΗΡΙΣΤΙΚΆ ΠΡΑΚΤΌΡΩΝ..............................................................................................................................- 38 -11.3 ΜΟΝΤΈΛΑ ΠΡΑΚΤΌΡΩΝ..........................................................................................................................................- 39 -11.4 ΓΕΝΙΚΈΣ ΑΡΧΙΤΕΚΤΟΝΙΚΈΣ ΠΡΑΚΤΌΡΩΝ...............................................................................................................- 39 -

11.4.1 Πράκτορες με Εσωτερική Κατάσταση...........................................................................................................- 39 -11.4.2 Αντιδραστικοί Πράκτορες.............................................................................................................................- 40 -11.4.3 Υβριδικοί Πράκτορες....................................................................................................................................- 41 -11.4.4 Κινητοί Πράκτορες.......................................................................................................................................- 41 -11.4.5 Πολυπρακτορικά Συστήματα.........................................................................................................................- 42 -

11.5 ΕΦΑΡΜΟΓΈΣ ΠΡΑΚΤΌΡΩΝ.......................................................................................................................................- 43 -

12 ΈΜΠΕΙΡΑ ΣΥΣΤΉΜΑΤΑ..........................................................................................................................................- 44 -

12.1 ΑΝΆΠΤΥΞΗ ΚΑΙ ΛΕΙΤΟΥΡΓΊΑ ΈΜΠΕΙΡΟΥ ΣΥΣΤΉΜΑΤΟΣ........................................................................................- 45 -12.2 ΧΑΡΑΚΤΗΡΙΣΤΙΚΆ ΈΜΠΕΙΡΩΝ ΣΥΣΤΗΜΆΤΩΝ.........................................................................................................- 46 -12.3 ΔΙΑΦΟΡΈΣ ΜΕΤΑΞΎ ΈΜΠΕΙΡΩΝ ΣΥΣΤΗΜΆΤΩΝ ΚΑΙ ΣΥΜΒΑΤΙΚΏΝ ΠΡΟΓΡΑΜΜΆΤΩΝ...........................................- 47 -12.4 ΔΙΑΦΟΡΈΣ ΜΕΤΑΞΎ ΈΜΠΕΙΡΩΝ ΣΥΣΤΗΜΆΤΩΝ ΚΑΙ ΑΝΘΡΏΠΩΝ ΕΙΔΙΚΏΝ.............................................................- 48 -12.5 ΕΦΑΡΜΟΓΈΣ ΈΜΠΕΙΡΩΝ ΣΥΣΤΗΜΆΤΩΝ..................................................................................................................- 50 -12.6 ΑΡΧΙΤΕΚΤΟΝΙΚΉ ΈΜΠΕΙΡΩΝ ΣΥΣΤΗΜΆΤΩΝ...........................................................................................................- 50 -

12.6.1 Δομή και Λειτουργία.....................................................................................................................................- 51 -12.7 ΔΙΑΔΙΚΑΣΊΑ ΑΝΆΠΤΥΞΗΣ ΈΜΠΕΙΡΩΝ ΣΥΣΤΗΜΆΤΩΝ.............................................................................................- 54 -

12.7.1 Ανάλυση του Προβλήματος...........................................................................................................................- 54 -12.7.2 Απόκτηση Γνώσης.........................................................................................................................................- 55 -12.7.3 Σχεδίαση.......................................................................................................................................................- 55 -12.7.4 Υλοποίηση.....................................................................................................................................................- 55 -12.7.5 Επαλήθευση και Έλεγχος Αξιοπιστίας...........................................................................................................- 55 -

12.8 ΕΚΜΑΊΕΥΣΗ ΓΝΏΣΗΣ..............................................................................................................................................- 56 -12.9 ΕΡΓΑΛΕΊΑ ΑΝΆΠΤΥΞΗΣ..........................................................................................................................................- 56 -

13 Η ΤΕΧΝΗΤΉ ΝΟΗΜΟΣΎΝΗ ΣΉΜΕΡΑ................................................................................................................- 57 -

14 ΣΧΈΣΗ ΑΝΘΡΏΠΟΥ – ΜΗΧΑΝΉΣ........................................................................................................................- 59 -

14.1 ΣΧΈΣΗ ΑΝΘΡΏΠΟΥ – ΜΗΧΑΝΉΣ ΣΤΟΝ ΕΙΚΟΣΤΌ ΑΙΏΝΑ.......................................................................................- 60 -14.2 I – BOMB.................................................................................................................................................................- 60 -14.3 Σχέση Ανθρώπου – Μηχανής στο Μέλλον............................................................................................................- 61 -

3

1 Εισαγωγή

Η τεχνητή νοημοσύνη (ΤΝ) αν και συμπλήρωσε μισό αιώνα ζωής συνεχίζει να είναι μια από

τις πιο μοντέρνες ερευνητικές περιοχές. Τυπικά η τεχνολογία αυτή ξεκίνησε το 1956 στην

συνάντηση κάποιων επιστημόνων, όπως ο John McCarthy, Marvin Mincky, Claude Shannon

κ.α. Από την άλλη η μελέτη της νοημοσύνης είναι από τα πιο παλιά θέματα της ανθρώπινης

αναζήτησης. Για περισσότερο από 2000 χρόνια οι φιλόσοφοι προσπάθησαν να εξηγήσουν τον

μηχανισμό της μάθησης, της απομνημόνευσης, της αντίληψης και του συλλογισμού, όπως ο

Αριστοτέλης και ο Ηράκλειτος κ.α.

Η τεχνητή νοημοσύνη περικλείει ένα πλήθος ερευνητικών πεδίων. Τα πεδία αυτά είναι η

αντίληψη, η συλλογιστική. Όπως επίσης μπορεί να είναι και το παίξιμο σκακιού, η απόδειξη

θεωρημάτων, η διάγνωση ασθενειών κ.λ.π. Συχνά ερευνητές από άλλες επιστημονικές περιοχές

καταφεύγουν στη τεχνητή νοημοσύνη με σκοπό να βρουν εργαλεία για να αυτοματοποιήσουν

τις διεργασίες στον τομέα της εργασίας τους. Όμοια ερευνητές της τεχνητής νοημοσύνης

εφαρμόζουν τις μεθόδους τους σε διάφορες περιοχές όπου απαιτείται ανθρώπινη προσπάθεια.

2 Τι είναι η Τεχνητή Νοημοσύνη

Η αλήθεια είναι πως είναι δύσκολο να δοθεί ακριβής ορισμός για την τεχνητή νοημοσύνη.

Παρόλα αυτά ένας από τους πρώτους ορισμούς που διατυπώθηκαν ήταν από τους Barr και

Feigenbaum, ο οποίος είναι ο εξής : «Τεχνητή νοημοσύνη είναι ο τομέας της επιστήμης των

υπολογιστών, που ασχολείται με την σχεδίαση ευφυών υπολογιστικών συστημάτων, δηλαδή

συστημάτων που επιδεικνύουν χαρακτηριστικά που σχετίζονται με τη νοημοσύνη στην

ανθρώπινη συμπεριφορά.»

Για να μπορέσουμε να ορίσουμε την τεχνητή νοημοσύνη πρέπει πρώτα απ’ όλα να

προσπαθήσουμε να περιγράψουμε ή ακόμη καλύτερα να προσδώσουμε έναν ορισμό για την

νοημοσύνη. Στο ερμηνευτικό λεξικό αναφέρεται ότι : «Νοημοσύνη είναι η ποιότητα, άσκηση ή το

παράγωγο της ενεργής διανόησης, η ικανότητα να ασκεί κάποιος τις υψηλότερες διανοητικές

λειτουργίες, η ετοιμότητα στην κατανόηση.»

Με πιο απλά λόγια θα μπορούσαμε να πούμε ότι η νοημοσύνη είναι: Η δυνατότητα λόγου,

δηλαδή η δυνατότητα αντίληψης, κατανόησης και παραγωγής του. Η δυνατότητα συλλογισμών.

Η δυνατότητα μάθησης. Ο Duglas Hofstadter, που έχει τιμηθεί με το βραβείο pulitzer προτείνει

μια λίστα από θεμελιώδης δυνατότητες νοημοσύνης. Η λίστα είναι η εξής:

1

Να ανταποκρίνεσαι σε καταστάσεις με ελαστικότητα, δηλαδή να μην αντιδράς με

τον ίδιο τρόπο σε ταυτόσημα προβλήματα. (Μηχανική συμπεριφορά)

Να αντιλαμβάνεσαι τα ασαφή μηνύματα από τα συμφραζόμενα

Να αναγνωρίζεις και να ιεραρχείς τα διάφορα δεδομένα με βάση την σπουδαιότητα

τους.

Να βρίσκεις ομοιότητες μεταξύ καταστάσεων οι οποίες εκ πρώτης όψεως μοιάζουν

διαφορετικές.

Να βρίσκεις διαφορές μεταξύ καταστάσεων οι οποίες εκ πρώτης όψεως μοιάζουν

παρόμοιες.

2.1 Στόχος της Τεχνητής Νοημοσύνης

Στόχος της τεχνητής νοημοσύνης είναι να φτιάξει συστήματα που:

Σκέφτονται όπως οι άνθρωποι

Συμπεριφέρονται όπως οι άνθρωποι

Σκέφτονται λογικά

Αντιδρούν λογικά

Ένας γενικός ορισμός που θα μπορούσαμε να προσδώσουμε ως τεχνητή νοημοσύνη είναι

ο εξής: Τεχνητή νοημοσύνη είναι ο τομέας της επιστήμης των υπολογιστών που ασχολείται με

την σχεδίαση και την υλοποίηση προγραμμάτων τα οποία είναι ικανά να μιμηθούν τις

ανθρώπινες γνωστικές ικανότητες, εμφανίζοντας έτσι χαρακτηριστικά που αποδίδουμε συνήθως

σε ανθρώπινη συμπεριφορά, όπως για παράδειγμα η επίλυση προβλημάτων, η αντίληψη μέσο

της όρασης, η μάθηση, η εξαγωγή συμπερασμάτων, η κατανόηση φυσικής γλώσσας κ.λ.π.

Όσο κι αν έχει εξελιχθεί ο τομέας της επιστήμης της τεχνητή νοημοσύνη δεν έχει φτάσει

ακόμη σε επίπεδο οι μηχανές να έχουν την ικανότητα να μην απαιτούν ειδικές γνώσεις για τον

χειρισμό τους, να προσαρμόζονται στις ανάγκες του χρήστη, να μαθαίνουν από τα λάθη τους

και να επιλύουν πραγματικά, δύσκολα, καθημερινά προβλήματα και όχι μόνο αριθμητικά. Από

την άλλη η ανάπτυξη της τεχνητής νοημοσύνης έχει αποδώσει καρπούς σε περιοχές της

επιστήμης, όπως:

Απόδειξη θεωρημάτων

Επεξεργασία φυσικής γλώσσας

Τεχνητή όραση

Μηχανική μάθηση

Σχεδιασμός ενεργειών και χρονοπρογραμματισμών

Αυτόνομα ρομπότ

2

Έμπειρα συστήματα και συστήματα γνώσης

Για το χαρακτηρισμό μηχανών ως ευφυών ο Alan Touring ο οποίος θεωρείται ο πατέρας

της τεχνητής νοημοσύνης εμπνεύστηκε το 1950 η οποία πήρε και το όνομα του ( Touring test).

Αυτό το test βασίζεται σε μία σειρά από ερωτήσεις που υποβάλει κάποιος ταυτόχρονα σε έναν

άνθρωπο και μια μηχανή χωρίς να γνωρίζει ποιος είναι τι. Αν στο τέλος δεν καταφέρει να

ξεχωρίσει τον άνθρωπο από τη μηχανή τότε η μηχανή πετυχαίνει στη δοκιμασία και θεωρείται

ευφυής. Το Touring test είναι μέχρι ακόμη και σήμερα ένα καλό μέτρο σύγκρισης της φυσικής με

τη τεχνητή νοημοσύνη.

Ένας υπολογιστής πρέπει να είναι προγραμματισμένος έτσι ώστε να μπορεί να

επικοινωνήσει σε φυσική γλώσσα, να έχει αποθηκευμένη γνώση και να αποθηκεύει κατά τη

διάρκεια της δοκιμασίας, να μπορεί να χρησιμοποιήσει την αποθηκευμένη πληροφορία και να

μπορεί να βγάλει συμπεράσματα, να προσαρμόζεται σε νέες περιπτώσεις, να μπορεί να

αναγνωρίσει τα αντικείμενα οπτικά και τέλος να μπορεί να μετακινεί τα αντικείμενα. Για να

γίνουν τα παραπάνω θα πρέπει να υπάρχει συμμετοχή επιστημονικών περιοχών όπως της

επεξεργασίας φυσικής γλώσσας ( natural language processing), της αναπαράστασης γνώσης

(knowlenge representation), της αυτοματοποίησης συλλογιστικής (automated reasoning), της

μηχανικής μάθησης (machine learning), της μηχανικής όρασης (machine vision) και τέλος της

ρομποτικής (robotics).

2.2 Τα Βήματα Εξέλιξης της Τεχνητής Νοημοσύνης

Η πρώτη εργασία, η οποία θεωρείται ότι ανήκει στο πεδίο της τεχνητής νοημοσύνης είναι

αυτή του Warren McCoulloch και Walter Pitts το 1943 που συσχέτισε τους βιολογικούς

νευρώνες του εγκεφάλου με απλά υπολογιστικά στοιχεία και πρότεινε ένα μοντέλο τεχνητών

νευρώνων που είχε τη δυνατότητα να μαθαίνει και να υπολογίζει κάθε υπολογίσιμη συνάρτηση.

Το 1956 σε μια συνάντηση εργασίας στο Dartmouth, Μασαχουσέτη παρουσιάστηκε από

δυο ερευνητές, τους Allen Newell και Herbet Simon ένα πρόγραμμα συλλογισμού, το logic

theorist, το οποίο ήταν σε θέση να αποδεικνύει τα περισσότερα από τα θεωρήματα των Russell

και Whitehead που αναφέρονταν στο principia mathematica. Άλλο ένα αποτέλεσμα του

συνεδρίου ήταν η πρόταση του MacCarthey για την νέα αυτή ερευνητική περιοχή σαν Τεχνητή

Νοημοσύνη.

Η επόμενη δουλεία των Newell και Simon, ήταν ο γενικός ειλητής προβλημάτων (general

problem solver, GPS). Το GPS ήταν το πρώτο πρόγραμμα που ενσωμάτωσε τον ανθρώπινο

τρόπο σκέψης αν και έλυνε περιορισμένο αριθμό προβλημάτων.

3

Το 1958 ο MacCarthey δημοσίευσε μια εργασία με τίτλο: ‘Programmes with common

sense’, στην οποία περιέγραφε τον advise taken, ίσως το πρώτο πλήρες σύστημα της τεχνίτης

νοημοσύνης, το οποίο αφορούσε γενικά (καθημερινά) προβλήματα. Για παράδειγμα έδειχνε

πως με ένα σύνολο απλών αξιωμάτων το σύστημα μπορούσε να παράγει μια ακολουθία

ενεργειών για να μετακινηθεί κάποιος από ένα μέρος σε ένα άλλο, χρησιμοποιώντας τα

διαθέσιμα μέσα μεταφοράς.

Το 1963 στο stanford research institute, υλοποιήθηκε το πρώτο robot, το Shakey, που ήταν

η πρώτη ολοκλήρωση συμπερασματικής λογικής και φυσικής δραστηριότητας.

Το 1968 ο Tom Evans πρότεινε το πρόγραμμα analogy το οποίο έλυνε προβλήματα

γεωμετρικής αναλογίας που χρησιμοποιούταν σε τεστ ευφυΐας (IQ test).

Το 1965 το πρόγραμμα ‘Ελίζα’ του Weizenbaum, μπορούσε να κάνει συζήτηση για

οποιοδήποτε θέμα, χρησιμοποιώντας και παραφράζοντας τις προτάσεις που διατύπωνε σαν

ερώτηση ο χρηστής. Την επόμενη δεκαετία αναπτύχθηκαν συστήματα που περιείχαν την

απαιτούμενη γνώση ώστε να συμπεριφέρονται όπως οι άνθρωποι ειδικοί σε διάφορα θέματα,

όπως διάγνωση, σχεδίαση, διαμόρφωση, ανάλυση, κ.λ.π . Τα συστήματα αυτά ονομάστηκαν

έμπειρα συστήματα (expert systems). Το πρώτο από τα συστήματα αυτής της γενιάς ήταν το

dentral και περιείχε σημαντικοί ποσότητα γνώσης εκφρασμένη με τη μορφή κανόνων. Σκοπός

του ήταν η εύρεση της μοριακής δομής οργανικών ενώσεων με βάση τα δεδομένα από ένα

φασματογράφο μάζας. Συστήματα γνώσης χρησιμοποιήθηκαν και σε άλλους τομείς όπως η

κατανόηση της φυσικής γλώσσας και της ιατρικής διάγνωσης.

Το 1981 οι Ιάπωνες ανακοίνωσαν το πρόγραμμα της πέμπτης γενιάς. Ένα πρόγραμμα για

τη κατασκευή υπολογιστών που θα είχαν σαν γλώσσα μηχανής την prolog και θα ήταν σε θέση

να εκτελούν εκατομμύρια λογικών συμπερασμάτων το δευτερόλεπτο. Επίσης θα ήταν σε θέση

να επικοινωνούν πλήρως με τον άνθρωπο σε φυσική γλώσσα.

Στα μέσα της δεκαετίας του 80 επανεμφανίστηκαν τα νευρωτικά δίκτυα στα οποία η ερευνά

συνέζησε σε άλλους τομείς όπως η φυσική και η ψυχολογία.

Με βάση τα προηγούμενα πολλοί συγγραφείς διακρίνουν στην ιστορία της τεχνητής

νοημοσύνης σε 4 περιόδους. Τη προϊστορική, όπου η τεχνητή νοημοσύνη ουσιαστικά

προαναγγέλλεται. Τη κλασσική, μέχρι τα μέσα της δεκαετίας του 60, όπου αναπτύχθηκαν

συστήματα που έπαιζαν παιχνίδια και έλυναν γρίφους. Τη ρομαντική, μέχρι τα μέσα της

δεκαετίας του 70 , όπου γίνεται προσπάθεια στην ανάπτυξη συστημάτων που κατανοούν

ιστορίες και διάλογους σε φυσική γλώσσα. Τέλος, τη μοντέρνα, μέχρι τα τέλη της δεκαετίας του

80, η οποία χαρακτηρίζεται από την ανάπτυξη συστημάτων που βασίζονται στη γνώση και την

εμπορική εκμετάλλευση των αποτελεσμάτων της ερευνάς γύρω από την τεχνητή νοημοσύνη.

4

Εμείς πλέον είμαστε στη μεταμοντέρνα περίοδο όπου η τεχνητή νοημοσύνη παίζει σημαντικό

ρόλο στην εξάπλωση του διαδικτύου.

3 Επίλυση Προβλημάτων

Ένα από τα βασικά χαρακτηριστικά της τεχνητής νοημοσύνης είναι η επίλυση

προβλημάτων. Τα πρώτα χρόνια κατά τη διάρκεια της έρευνας για το ποιες μεθοδολογίες θα

πρέπει να χρησιμοποιηθούν, οι επιστήμονες κατέληξαν στη λύση των αλγορίθμων. Οι

αλγόριθμοι, αναζητούν λύσεις σε κάποιο πρόβλημα, εξετάζοντας με κάποια σειρά τα

διαφορετικά στιγμιότυπα στα οποία μπορούν να περιέλθουν οι διάφορες ιδιότητες που

καθορίζουν το κόσμο του προβλήματος. Το πυρήνα της κάθε εφαρμογής της τεχνητής

νοημοσύνης συνθέτουν οι αλγόριθμοι αναζήτησης και η αναπαράσταση γνώσης. Σημαντική

επίσης είναι και η επιλογή του αλγορίθμου αναζήτησης που θα χρησιμοποιηθεί για τη λύση ενός

συγκεκριμένου προβλήματος διότι οι αλγόριθμοι αυτοί διαφέρουν μεταξύ τους σε

χαρακτηριστικά όπως: η αποδοτικότητα σε μνήμη και χρόνο, η πολυπλοκότητα, η πληρότητα

και η ευκολία υλοποίησης.

3.1 Περιγραφή Προβλημάτων

Για να ορίσουμε κάτι σαν πρόβλημα πρέπει να υπάρχει μια δεδομένη κατάσταση, να

υπάρχει μια επιθυμητή κατάσταση και διαθέσιμες ενέργειες που πρέπει να γίνουν ώστε να

φτάσουμε στην επιθυμητή κατάσταση. Η τεχνητή νοημοσύνη χρησιμοποιείται για να επιλύσει

πραγματικά και πολύπλοκα συστήματα. Η περιγραφή ενός προβλήματος μπορεί να γίνει με δυο

βασικούς τρόπους:

Περιγραφή με χώρο καταστάσεων (State space)

Περιγραφή με αναγωγή (Reduction)

3.1.1 Περιγραφή με Χώρο Καταστάσεων

Για να περιγραφεί ένα πρόβλημα με αυτό το τρόπο, θα πρέπει να αναπαρασταθεί πρώτα ο

κόσμος του προβλήματος, στη συνέχεια τα συγκεκριμένα χαρακτηριστικά ενός προβλήματος

όπως η αρχική κατάσταση και η τελική κατάσταση, αλλά επίσης και οι τελεστές μετάβασης ή

ενέργειες που μπορούν να γίνουν για να φτάσουμε στη λύση. Οπότε μπορούμε να

περιγράψουμε τη λύση με τα επόμενα βήματα:

5

Κόσμος προβλήματος: αποτελείται μόνο από τα αντικείμενα που υπάρχουν σε

αυτόν, τις ιδιότητες των αντικειμένων και τις σχέσεις που τα συνδέουν με το πρόβλημα.

Κατάσταση προβλήματος: είναι ένα στιγμιότυπο ή φωτογραφία μιας συγκεκριμένης

χρονικής στιγμής της εξέλιξης του κόσμου του προβλήματος. Η τυπική αναπαράσταση

μιας κατάστασης ενός προβλήματος γίνεται με περιγραφή των χαρακτηριστικών της.

Τελεστές μετάβασης: είναι μια αντιστοίχηση μιας κατάστασης του κόσμου του

προβλήματος σε νέες καταστάσεις. Οι καταστάσεις αυτές συνδέονται μεταξύ τους.

Χώρος καταστάσεων: είναι το σύνολο όλων των έγκυρων καταστάσεων.

Αρχικές και τελικές καταστάσεις: η αρχική κατάσταση είναι στην ουσία το δεδομένο

και η τελική κατάσταση είναι το ζητούμενο σε ένα πρόβλημα.

Ορισμός προβλήματος: ένα πρόβλημα ορίζεται από την αρχική κατάσταση, το

σύνολο των τελικών καταστάσεων, το σύνολο των τελεστών μετάβασης και το χώρο

καταστάσεων. Με λίγα λόγια ένα πρόβλημα ορίζεται ως: P = ( I,G,T,S) I: αρχική

κατάσταση, G: σύνολο τελικών καταστάσεων, Τ: σύνολο τελεστών μετάβασης, S: χώρος

καταστάσεων.

Λύση προβλήματος: είναι μια ακολουθία από τελεστές μετάβασης όπου η λύση θα

είναι μια τελική κατάσταση.

3.1.2 Περιγραφή με Αναγωγή

Αντίθετα με την περιγραφή του χώρου καταστάσεων, όπου η βασική δομή είναι η

κατάσταση, στην περιγραφή με αναγωγή η βασική δομή είναι η ίδια η περιγραφή του

προβλήματος. Τα βήματα για να λυθεί ένα πρόβλημα περιγραφής με αναγωγή είναι τα εξής:

Αρχική και τελική περιγραφή προβλήματος: αντί για αρχική κατάσταση υπάρχει η

αρχική περιγραφή του προβλήματος και αντί για τελική κατάσταση υπάρχει η τελική

περιγραφή του προβλήματος.

Τελεστής αναγωγής: ανάγει ένα πρόβλημα σε υποπροβλήματα. Για να λυθεί το

πρόβλημα πρέπει να λυθούν τα υποπροβλήματα, τα οποία ονομάζονται αρχέγονα.

Ορισμός προβλήματος

Η αναγωγή είναι αρκετά διαδεδομένη μέθοδος επίλυσης προβλημάτων. Η δημοφιλής

γλώσσα προγραμματισμού Prolog βασίζεται στην αναγωγή. Η αρχική περιγραφή του

προβλήματος είναι η ερώτηση που πρέπει να επιλυθεί ενώ η τελική περιγραφή είναι η ερώτηση

μαζί με τις τιμές που έχουν πάρει οι μεταβλητές του κατηγορήματος της ερώτησης.

6

4 Αλγόριθμοι Αναζήτησης

Στόχος κάθε προβλήματος, όπως είπαμε και πριν, είναι να βρεθεί η λύση του και για να

γίνει πιο εύκολη η επίλυση του πρέπει να γίνει τυποποίηση της περιγραφής του προβλήματος.

Την υλοποίηση του τρόπου επίλυσης σε ένα υπολογιστικό σύστημα μπορούμε την

δημιουργήσουμε με την τυποποίηση των βημάτων επίλυσης. Οι αλγόριθμοι είναι αυτά τα

αυστηρά προκαθορισμένα βήματα που θα πρέπει να εφαρμοστούν για να επιλυθεί ένα

πρόβλημα. Επειδή οι αλγόριθμοι αυτοί αναζητούν τη λύση σε ένα πρόβλημα, ονομάζονται

αλγόριθμοι αναζήτησης (Search Algorithms). Αλγόριθμοι αναζήτησης υπάρχουν πάρα πολλοί

και πολλές φορές συγκεκριμένα προβλήματα δίνουν την αφορμή για να σχεδιαστούν νέοι. Οι

αλγόριθμοι αναζήτησης ψάχνουν να βρουν την λύση μέσα σε ένα χώρο καταστάσεων.

Δοθέντος ενός προβλήματος, πρέπει να σκεφτούμε πιο αλγόριθμο θα χρησιμοποιήσουμε

για την επίλυση του. Η επιλογή θα γίνει βάση κάποιων κριτηρίων:

Τον αριθμό καταστάσεων που αυτός επισκέπτεται

Τη δυνατότητα εύρεσης λύσεων εφόσον αυτές υπάρχουν

Τον αριθμό των λύσεων

Την ποιότητα των λύσεων

Την αποδοτικότητα του σε χρόνο

Την αποδοτικότητα του σε χώρο ( μνήμη )

Την ευκολία υλοποίησης του

Εμείς εδώ θα παρουσιάσουμε τους πιο γνωστούς και πιο βασικούς αλγόριθμους για τις

εφαρμογές της τεχνητής νοημοσύνης και δε θα εμβαθύνουμε σε αυτούς.

4.1 Γενικός Αλγόριθμος Αναζήτησης

Αυτός ο γενικός αλγόριθμος χρησιμοποιείται σαν πλαίσιο για την περιγραφή των

αλγόριθμων που θα παρουσιαστούν στην συνέχεια. Μερικοί από τους ορισμούς των δομών

δεδομένων που χρησιμοποιούνται από όλους τους αλγόριθμους είναι:

Μέτωπο αναζήτησης (Search Frontier) του αλγόριθμου είναι το διατεταγμένο

σύνολο (λίστα) καταστάσεων που ο αλγόριθμος έχει ήδη επισκεφθεί, αλλά που ακόμη

δεν έχουν επεκταθεί.

Κύκλος λειτουργίας ενός αλγόριθμου, επεκτείνει μια κατάσταση η οποία ανήκει στο

μέτωπο της αναζήτησης.

Κλειστό σύνολο (Closed Set) ενός αλγόριθμου είναι το σύνολο των καταστάσεων

που έχουν ήδη επεκταθεί από τον αλγόριθμο.

Τα χαρακτηριστικά αυτά θα τα δείξουμε στο παρακάτω σχήμα.

7

4.2 Αλγόριθμοι Τυφλής Αναζήτησης

Οι αλγόριθμοι αυτοί βρίσκουν εφαρμογή σε προβλήματα στα οποία δεν υπάρχει

πληροφορία που θα επιτρέπει αξιολόγηση των καταστάσεων του χώρου αναζήτησης. Θα

δείξουμε την λειτουργία των αλγορίθμων αυτόν στο παρακάτω πρόβλημα με τα ποτήρια.

Το πρόβλημα έχει ως εξής: 2 ποτήρια χωρητικότητας 70ml και 50ml, που μπορούν να

γεμίσουν μέχρι το χείλος, όταν είναι άδεια, από μια βρύση και να αδειάζουν ή το ένα μέσα στο

άλλο ή στο νεροχύτη και με τελικό σκοπό κάποιο από τα 2 να καταλήξει με 40ml.

Σχήμα 1. Ο χώρος αναζήτησης του προβλήματος με τα ποτήρια.

8

4.2.1 Αναζήτηση Πρώτα σε Βάθος (Depth First Search - DFS)

Η ονομασία του αλγόριθμου φανερώνει και την αναζήτηση που κάνει. Στην πραγματικότητα

αυτό που κάνει είναι να επιλέγει προς επέκταση την κατάσταση που βρίσκεται πιο βαθιά στο

δέντρο. Σε περίπτωση που υπάρχουν περισσότερες από μια καταστάσεις στο ίδιο βάθος, τότε

επιλέγει στην τύχη. Βασικό πλεονέκτημα DFS είναι η μικρές απαιτήσεις σε χώρο γιατί το

μέτωπο της αναζήτησης δε μεγαλώνει πάρα πολύ. Το βασικό μειονέκτημα του DFS είναι δεν

υπάρχει καμία εγγύηση ότι η πρώτη λύση που θα βρεθεί είναι και η καλύτερη.

4.2.2 Αναζήτηση Πρώτα σε Πλάτος (Breadth First Search – BFS) Αυτός ο αλγόριθμος αναζήτησης εξετάζει τις καταστάσεις που βρίσκονται στο ίδιο βάθος

και μόνο αφού τις εξετάσει όλες θα συνεχίσει στο επόμενο επίπεδο. Βασικό πλεονέκτημα του

BFS είναι ότι βρίσκει πάντα την καλύτερη λύση. Ένα από τα μειονεκτήματα του είναι ότι οι

απαιτήσεις του στην μνήμη μεγαλώνουν εκθετικά με το βάθος της αναζήτησης.

4.2.3 Αλγόριθμος Επαναληπτικής Εkβάθυνσης (Iterative Deepening – ID)Ο αλγόριθμος αυτός είναι συνδυασμός της DFS και BFS. Κατά βάση είναι DFS αλλά η

αναζήτηση γίνεται σε στάδια. Κάθε ένα στάδιο είναι μια εφαρμογή του DFS σε ορισμένο βάθος,

ανεξάρτητα από το συνολικό βάθος αναζήτησης. Όταν η αναζήτηση στο προκαθορισμένο

βάθος ολοκληρωθεί, ο DFS πάει σε μεγαλύτερο βάθος και ξανακάνει αναζήτηση. Το βασικό

μειονέκτημα του ID είναι ότι όταν αρχίζει με διαφορετικό βάθος δεν θυμάται τίποτα από την

προηγούμενη αναζήτηση του. Το πλεονέκτημα του είναι ότι η λύση που βρίσκει είναι η

καλύτερη.

4.2.4 Αναζήτηση Διπλής Κατεύθυνσης (Bitirectional Search – BiS)Η αναζήτηση αυτή πηγάζει από τη δυνατότητα παραλληλισμού στα υπολογιστικά

συστήματα. Αν υπάρχουν δυο επεξεργαστές ο ένας μπορεί να αρχίσει να αναζητά από την

αρχική προς την τελική κατάσταση και ο άλλος αντίθετα. Αυτό τον κάνει γρήγορο αφού ο χρόνος

αναζήτησης μειώνεται.

4.2.5 Αλγόριθμος Επέκτασης και Οριοθέτησης (Branch and Bound – B&B)

Ο αλγόριθμος αυτός εφαρμόζεται σε προβλήματα όπου αναζητείται η βέλτιστη λύση,

δηλαδή με το μικρότερο κόστος. Τα προβλήματα ελαχιστοποίησης κόστους έχουν πολλές

εφαρμογές, όπως το να βρεθεί η βέλτιστη διαδρομή ενός βραχίονα που τοποθετεί κουτιά σε μια

παλέτα.

9

4.3 Αλγόριθμοι Ευριστικής Αναζήτησης

Οι αλγόριθμοι τυφλής αναζήτησης προχωρούν σε πλάτος και βάθος χωρίς να έχουν καμία

πληροφορία για το αν το μονοπάτι που ακολουθούν τους οδηγεί σε μια τερματική κατάσταση.

Μπορούμε να καταλάβουμε από αυτό πως η τυφλή αναζήτηση δεν είναι πρακτική σε μεγάλους

χώρους καταστάσεων, αφού η αναζήτηση θα έπαιρνε πάρα πολύ χρόνο. Σκοπός μιας

αναζήτησης είναι να μειωθεί ο χρόνος, όποτε για να γίνει αυτό θα πρέπει να μειωθεί ο αριθμός

καταστάσεων που εξετάζει ένας αλγόριθμος. Για να γίνει κάτι τέτοιο θα πρέπει να υπάρχει μια

πληροφορία που θα αξιολογεί τις καταστάσεις και θα μπορέσει να καθοδηγήσει την αναζήτηση

σε καταστάσεις που οδηγούν στην λύση, αποφεύγοντας αυτές που δεν οδηγούν πουθενά.

Ο ευριστικός μηχανισμός είναι μια στρατηγική βασισμένη στη γνώση για το συγκεκριμένο

πρόβλημα, οπότε μπορούμε να πούμε ότι ο ευριστικός μηχανισμός εξαρτάται σε μεγάλο βαθμό

από την γνώση που υπάρχει πάνω στο πρόβλημα. Μερικές από τις τεχνικές της ευριστικής

αναζήτησης είναι οι έξεις:

Ευριστικές συναρτήσεις σε μικρά προβλήματα

Αναζήτηση με αναρρίχηση λόφων (Hill climbing Search – HC)

Ακτινωτή αναζήτηση (Beam Search – BS)

Αναζήτηση πρώτα στο καλύτερο (Best First – BestFS)

Αλγόριθμος Άλφα-Άστρο (A*)

4.4 Αλγόριθμοι Αναζήτησης σε Παιχνίδια Δυο Αντιπάλων

Οι αλγόριθμοι αυτοί χρησιμοποιούνται σε παιχνίδια δυο αντιπάλων και βέβαια ο όρος

¨παιχνίδι¨ δεν περιορίζεται μόνο στα παιχνίδια. Μπορεί να είναι δηλαδή μια εφαρμογή της

τεχνητής νοημοσύνης όπου η εξέλιξη των καταστάσεων εξαρτάται από δυο διαφορετικά σύνολα

τελεστών μετάβασης. Οι δυο βασικότεροι αλγόριθμοι είναι:

ο minimax

ο alpha-beta

Ο minimax είναι ένας εξαντλητικός αλγόριθμος και εφαρμόζει τη συνάρτηση αξιολόγησης σε

κάθε τερματική κατάσταση. Η συνάρτηση αξιολόγησης, σε πολύπλοκα παιχνίδια, είναι

πολύπλοκη και κατά συνέπεια και χρονοβόρα.

Ο alpha-beta αποφεύγει την αναζήτηση καταστάσεων που ικανοποιούν ορισμένες

συνθήκες, οπότε έχει καλύτερη απόδοση σε χρόνο, χωρίς όμως να χάνει τίποτα από την

ποιότητα του αποτελέσματος.

10

5 Αναπαράσταση Γνώσης

Η αναπαράσταση γνώσης για τους ανθρώπους γίνεται σχετικά εύκολα με απλή περιγραφή

σε φυσική γλώσσα. Ωστόσο, η φυσική γλώσσα είναι ακατάλληλη για αναπαράσταση γνώσης σε

υπολογιστικά συστήματα.

Ο κυριότερος λόγος είναι η πολυσημαντικότητα της γλώσσας, δηλαδή η πολλαπλές

ερμηνείες που επιδέχεται μια φράση καθώς επίσης και η ερμηνεία με βάση τα συμφραζόμενα.

Εκεί επεμβαίνει λοιπόν η αναπαράσταση γνώσης, η οποία είναι ένα σύνολο συντακτικών και

σημασιολογικών παραγωγών. Οι οποίες καθιστούν δυνατή τη περιγραφή ενός κόσμου.

Τα βασικά δομικά στοιχεία που έχει κάθε μέθοδος αναπαράστασης γνώσης είναι δυο:

Το συντακτικό (syntax), δηλαδή ο ορισμός των συμβόλων που χρησιμοποιεί και οι

κανόνες με τους οποίους τα σύμβολα αυτά μπορούν να συνδυαστούν

Τη σημασιολογία (semantics), δηλαδή ο καθορισμός των εννοιών που

αποδίδονται στα σύμβολα και συνδυασμούς συμβολών που επιτρέπουν το συντακτικό.

Είναι σημαντικό να γίνει σαφής διαχωρισμός των δεδομένων (Data), από την πληροφορία

(Information) και την γνώση (Knowledge).

Τα δεδομένα είναι μη επεξεργασμένα και μη οργανωμένα γεγονότα σχετικά με αντικείμενα η

συμβάντα του πραγματικού κόσμου. Συνήθως αποτελούν μετρήσιμες ή υπολογίσιμες τιμές,

όπως για παράδειγμα η ημερομηνία γέννησης ενός ατόμου. Τα δεδομένα από τη στιγμή που θα

καταγραφούν δεν αλλάζουν, είναι δηλαδή, στατικά.

Η πληροφορία γενικά αποτελείται από δεδομένα τα οποία έχουν μορφοποιηθεί κατάλληλα.

Για παράδειγμα, το ετήσιο άθροισμα των πωλήσεων κάποιας επιχείρησης αποτελεί

επεξεργασμένη πληροφορία. Η πληροφορία σε σύγκριση με τα δεδομένα μπορεί να

ερμηνεύεται και να διευκολύνει στην λήψη αποφάσεων.

Η γνώση είναι πληροφορία η οποία έχει υποστεί ιδικούς ελέγχους για την πιστοποίηση της.

Όπως για παράδειγμα η επιστημονική γνώση. Η γνώση ουσιαστικά αναδεικνύει τη

σημαντικότητα της πληροφορίας, συσχετίζοντας την με χρήσιμα συμπεράσματα. Η γνώση

συμπεριλαμβάνει όλες τις πληροφορίες, τις εμπειρίες, τις δεξιότητες και την κοινή λογική που

κατέχει ένας άνθρωπος.

Η γνωστική συμπεριφορά ενός συστήματος τεχνητής νοημοσύνης δε μπορεί να επιτευχθεί

με χρήση δομών που αναπαριστούν μόνο δεδομένα η πληροφορίες. Συνεπώς χρειάζονται

μέθοδοι αναπαράστασης διαφορετικές από αυτές που χρησιμοποιούνται για δεδομένα ή

πληροφορία.

11

5.1 Είδη Γνώσης

Οι Bar και Feigenbaum θέτουν 4 είδη γνώσης τα οποία πρέπει να είναι ικανοί να τα

παραστήσει κάθε μέθοδος αναπαράστασης γνώσης:

Αντικείμενα (Objects) : Αναπαράσταση των αντικειμένων ενός κόσμου, της

κατηγορίας ή κλάσης της οποίας ανήκουν, καθώς και τις σχέσεις μεταξύ αυτών των

κλάσεων.

Γεγονότα (Events): Αναπαράσταση των ενεργειών ή περιστατικών που

συμβαίνουν σε έναν κόσμο, της χρονικής στιγμής της οποίας συμβαίνουν, καθώς και της

σχέσης αιτίου-αποτελέσματος.

Εκτέλεση (Performance) : Αναπαράσταση των δεξιοτήτων το πώς κάποιος κάνει

πράγματα.

Μετά-γνώση (Meta-Knowledge) : Αναπαράσταση της γνώσης για την ίδια τη

γνώση. Δηλαδή γνώση για το τι γνωρίζει κάποιος, για το πώς και πότε πρέπει να

εφαρμοστεί το κάθε είδος γνώσης.

5.2 Κριτήρια Αξιολόγησης Μεθόδων Αναπαράστασης Γνώσης

Τα κριτήρια κάτω από τα οποία μπορεί να αξιολογηθεί μια μέθοδος αναπαράστασης

γνώσης είναι:

Η επάρκεια αναπαράστασης. Η ικανότητα να αναπαριστά όλα τα είδη της γνώσης

που αναφέρθηκαν παραπάνω αλλά και γνώση για τις αλλαγές που θα γίνουν στον

κόσμο που αναπαριστά.

Η επάρκεια συνεπαγωγής. Η ικανότητα να επεξεργάζονται ήδη υπάρχουσες δομές

γνώσης, με σκοπό να δημιουργηθούν καινούργιες δομές γνώσης που αντιστοιχούν σε

νέα γνώση.

Η αποδοτικότητα συνεπαγωγής. Η ικανότητα να μπορεί να εισάγει επιπλέον

πληροφορίες στις δομές γνώσης για να μπορεί να φτάνει γρηγορότερα στην λύση.

Η αποδοτικότητα απόκτησης. Η ικανότητα να επιτρέπει την απόκτηση γνώσης

εύκολα και γρήγορα.

5.3 Μέθοδοι Αναπαράστασης Γνώσης

Οι δημοφιλέστερες μέθοδοι αναπαράστασης γνώσης είναι:

Λογική

Προτασιακή λογική

Κατηγορηματική λογική

12

Διαζευκτική μορφή της λογικής

Δομημένες αναπαραστάσεις γνώσης

Σημασιολογικά δίκτυα

Πλαίσια

Εννοιολογική εξάρτηση

Σενάρια

Κανόνες (If-then rules)

Δεν θα παρουσιάσουμε αναλυτικότερα τις παραπάνω μεθόδους αναπαράστασης γνώσης.

Μπορούμε να πούμε όμως πως ο πιο πρακτικός και δημοφιλής τρόπος αναπαράστασης είναι οι

κανόνες.

6 Μη-ακριβείς Τεχνικές Λήψης Αποφάσεων

Στην καθημερινή ζωή παρουσιάζονται περιπτώσεις που πρέπει να λαμβάνουμε αποφάσεις

έχοντας ατελή πληροφορία. Για παράδειγμα, σε επείγοντα ιατρικά περιστατικά πρέπει να

ληφθούν αποφάσεις χωρίς να γίνουν όλες οι εξετάσεις που θα απαιτούνταν υπό άλλες

συνθήκες γιατί υπάρχει η πίεση του χρόνου. Άλλες φορές η πληροφορία είναι ατελής γιατί πολύ

απλά δεν χρειάζεται. Όπως καταλαβαίνουμε, στον πραγματικό κόσμο, τέτοιες καταστάσεις είναι

σύνηθες και γι΄ αυτό το λόγο οι μη-ακριβείς τεχνικές λήψης αποφάσεων έχουν μεγάλη πρακτική

αξία.

6.1 Αβεβαιότητα

Με τον όρο αβεβαιότητα εννοείται η έλλειψη ακριβούς πληροφορίας για την λήψη

αποφάσεων. Οι κυριότερες λόγοι παρουσίας αβεβαιότητας κατά την επίλυση προβλημάτων

είναι:

Ανακριβή δεδομένα (Imprecise data). π.χ. ένα όργανο μέτρησης περιορισμένης

ακρίβειας.

Ελλιπή δεδομένα (Incomplete data). π.χ. σε ένα σύστημα με αισθητήρες, μερικοί από

αυτούς βγαίνουν εκτός λειτουργίας. Η απόφαση θα πρέπει να παρθεί με τα δεδομένα

από τους υπόλοιπους.

Υποκειμενικότητα ή ελλείψεις στην περιγραφή της γνώσης.

Κάθε είδους περιορισμοί που κάνουν το όλο πλαίσιο λήψης απόφασης ατελές. π.χ.

οικονομικοί περιορισμοί που κάνουν ασύμφορη την πραγματοποίηση κάποιον

μετρήσεων. Ακόμη μπορεί να είναι και χρονικοί περιορισμοί που επιβάλουν την

άμεση λήψη αποφάσεων, όπως είπαμε και στο πρώτο κεφάλαιο.

13

Για τον λόγο αυτό έχουν προταθεί εναλλακτικές τεχνικές για τον χειρισμό τέτοιον

αποφάσεων, αυτές είναι:

Η χρήση πιθανοτήτων – Νόμος του Bayes

Συντελεστές βεβαιότητας

Δίκτυα πιθανοτήτων

Προσέγγιση Dempster-Shafer

6.2 Ασάφεια

Η ασάφεια (Fuzziness) είναι μια έννοια που σχετίζεται με την ποσοτικοποίηση της

πληροφορίας και οφείλεται κυρίως σε μη-ακριβή δεδομένα. π.χ. πέρασε ένα αυτοκίνητο που

έτρεχε πολύ. Αν και μπορούμε να βγάλουμε κάποια συμπεράσματα για την ταχύτητα, η

πληροφορία δεν προσδιορίζει με ακρίβεια την ταχύτητα. Αν για παράδειγμα θεωρήσουμε ότι τα

85 χιλιόμετρα είναι «πολύ», δεν είναι απόλυτα σωστό να βγει το συμπέρασμα ότι τα 84

χιλιόμετρα είναι λίγα.

Γι’ αυτό το λόγο δημιουργήθηκε ένα πλαίσιο χειρισμού της ασάφειας και της συλλογιστικής

βασισμένης στην ασάφεια. Αυτά είναι τα εξής:

Ασαφής λογική και θεωρία ασαφών συνόλων

Ασαφής συλλογιστική

Συστήματα ασαφούς συλλογιστικής

6.3 Εφαρμογές Συστημάτων Ασάφειας

Η πρώτη, ιστορικά, εφαρμογή έλεγχου με ασαφή λογική ήταν το σύστημα Linkman το οποίο

έλεγχε την μίξη των υλικών και την κατεργασία τους σε περιστρεφόμενο κλίβανο, σε βιομηχανίες

παραγωγής τσιμέντου. Οι κανόνες δημιουργήθηκαν από έμπειρους χειριστές της γραμμής

παραγωγής και δεν υπήρχε κανένα αποδεκτό μαθηματικό μοντέλο που να μπορεί να

περιγράψει την διαδικασία.

Περισσότερο διάσημη ήταν η εφαρμογή ασαφούς συλλογιστικής στον υπόγειο σιδηρόδρομο

Sendai στην Ιαπωνία. Οι συρμοί λειτουργούσαν κάτω από τον πλήρη έλεγχο ασαφών

συστημάτων με βασικό σκοπό την άνεση και την ασφάλεια των επιβατών. Τα ασαφή συστήματα

είχαν μεταξύ άλλων και τον έλεγχο του ρυθμού επιτάχυνσης και επιβράδυνσης των συρμών. Η

επιτυχία ήταν τόσο μεγάλη που η χρήση του υιοθετήθηκε και στον υπόγειο σιδηρόδρομο του

Tokyo.

Άλλα παραδείγματα εφαρμογών ασαφούς συλλογιστικής είναι και οι λεγόμενες συσκευές

ενός κουμπιού οι οποίες λειτουργούν με το πάτημα ενός κουμπιού, καθώς όλες οι επιμέρους

14

ρυθμίσεις γίνονται αυτόματα. Τέτοιες συσκευές μπορεί να είναι οι καινούργιες φωτογραφικές

μηχανές που με την χρήση ενός κουμπιού και μόνο, κάνουν εστίαση πριν βγάλουν φωτογραφία.

Τα πλυντήρια ρούχων που αποφασίζουν από μόνα τους το πρόγραμμα πλύσης που θα

χρησιμοποιήσουν ανάλογα με την ποσότητα των ρούχων, το πόσο βρώμικα είναι, πόσο

ευαίσθητα είναι τα υφάσματα και την ποιότητα του νερού.

Άλλη κατηγόρια εφαρμογών είναι οι διάφορες συσκευές ελέγχου που χρησιμοποιούν ασαφή

συστήματα πέδησης, όπως το γνωστό μας ABS και μετάδοσης κίνησης σε αυτοκίνητα. Τα

ασαφή συστήματα ελέγχου λαβής σε ρομποτικούς βραχίονες κλπ.

Τέλος έμπειρα συστήματα βασισμένα σε ασαφή συλλογιστική έχουν χρησιμοποιηθεί με

επιτυχία σε οικονομικές εφαρμογές, όπως στο χρηματιστήριο.

7 Μη Συμβολικές Μέθοδοι

Στα προηγούμενα κεφάλαια παρουσιάσαμε τις τεχνικές των συμβολικών μεθόδων, οι

οποίες έχουν ένα μεγάλο παρελθόν στις εφαρμογές τις τεχνητής νοημοσύνης αλλά και σοβαρά

και άλυτα προβλήματα. Τα προβλήματα αυτά ξεκινούν από τα ίδια τα σύμβολα που

χρησιμοποιούνται σε αυτές τις μεθόδους και αυτό γιατί ένα σύμβολο από μόνο του δεν

υποδηλώνει τίποτα αλλά αποκτά νόημα μόνο αν συνδεθεί με άλλα σύμβολα. Επίσης τα

σύμβολα επιλέγονται με τέτοιο τρόπο ώστε να έχουν κάποιο νόημα για τους ανθρώπους.

Όμως οι φυσικές διεργασίες δε λειτουργούν με αυτό τον τρόπο. Ο ανθρώπινος εγκέφαλος

δεν έχει κάποιο γενικό μηχανισμό για να ελέγχει τις λειτουργίες που επιτελούν τα τμήματα του,

αλλά ούτε η γνώση και οι μηχανισμοί επεξεργασίας εντοπίζονται σε συγκεκριμένο σημείο.

Μετά από αυτή την παρατήρηση μπορούμε να πούμε ότι η τεχνητή νοημοσύνη χωρίζεται σε

δύο κατηγορίες, τη συμβολική και την μη συμβολική.

Η Συμβολική τεχνητή νοημοσύνη (Symbolic AI) προσπαθεί να προσδιορίσει τον

ανθρώπινο τρόπο σκέψης χρησιμοποιώντας ως δομικές μονάδες τα σύμβολα. Όπου

ένα σύμβολο μπορεί να αναπαριστά μια έννοια ή μια σχέση ανάμεσα σε έννοιες.

Παράδειγμα τέτοιων κατηγοριών εφαρμογής είναι η αναπαράσταση γνώσης με

λογική, κανόνες, πλαίσια, κλπ.

Η Μη Συμβολική τεχνητή νοημοσύνη (Non Symbolic AI) προσομοιώνει βιολογικές

διεργασίες όπως τη λειτουργία του εγκεφάλου. Παραδείγματα τέτοιον τεχνικών

αποτελούν τα νευρωτικά δίκτυα και οι γενετικοί αλγόριθμοι.

Αυτές τις δύο τεχνικές θα παρουσιάσουμε στη συνέχεια του κεφαλαίου.

15

7.1 Νευρωνικά Δίκτυα

Τα νευρωνικά δίκτυα στηρίχθηκαν στην λειτουργία του ανθρώπινου εγκέφαλου και την

ικανότητα του να σκέφτεται, να θυμάται και να επιλύει προβλήματα. Είναι γνωστό πως η δομική

ανάλυση του εγκεφάλου είναι ο νευρώνας (Σχήμα 2).

Σχήμα 2. Βιολογικός Νευρώνας

Ένας βιολογικός νευρώνας αποτελείται από το σώμα, τους δενδρίτες μέσω των οποίων

λαμβάνει σήματα από τους γειτονικούς νευρώνες και τον άξονα που είναι το μέσω σύνδεσης με

τους άλλους νευρώνες. Μπορούμε να παρουσιάσουμε τους δενδρίτες με τις εισόδους και τον

άξονα με μια έξοδο. Οι συνάψεις είναι αυτές που επιβραδύνουν ή επιταχύνουν την ροή

ηλεκτρονίων στο σώμα του νευρώνα, δηλαδή είναι αυτές που καθορίζουν την ικανότητα

μάθησης και μνήμης που παρουσιάζει ο εγκέφαλος.

Ο εγκέφαλος ενός νεογέννητου ανθρώπου έχει περίπου 100 δισεκατομμύρια νευρώνες και

κάθε ένας συνδέεται με περίπου 1000 άλλους νευρώνες. Με δεδομένο ότι κάθε τέτοια σύνδεση

περιλαμβάνει και μια σύναψη, καταλαβαίνουμε ότι μιλάμε για 100 τρισεκατομμύρια συνάψεις.

Είναι προφανές ότι είναι αδύνατο να αντιγράφει μια δομή και λειτουργία του εγκεφάλου σε

τέτοια κλίμακα. Τα μοντέλα που κατασκευάζονται περιλαμβάνουν περίπου μερικές χιλιάδες

τεχνητούς νευρώνες και η τεχνητές συνάψεις είναι περίπου στο εκατομμύριο.

7.1.1 Τεχνητός Νευρώνας

Ο τεχνητός νευρώνας είναι ένα υπολογιστικό μοντέλο όπου τα μέρη του αντιστοιχίζονται

άμεσα με αυτά του βιολογικού νευρώνα. Στο σχήμα 3 βλέπουμε ένα μοντέλο τεχνητού νευρώνα,

τα στοιχεία του οποίου θα αναλύσουμε παρακάτω.

16

Σχήμα 3. Μοντέλο Βιολογικού Νευρώνα

Ο τεχνητός νευρώνας δέχεται κάποια σήματα εισόδου X0,X1 … Xn τα οποία αντιστοιχούν σε

συνεχείς μεταβλητές. Κάθε τέτοιο σήμα εισόδου μεταβάλλεται από μια τιμή βάρους Wi (Weight)

ο ρόλος της οποίας είναι αντίστοιχος της σύναψης του βιολογικού εγκεφάλου. Το σώμα του

τεχνητού νευρώνα χωρίζεται σε δύο μέρη, τον αθροιστή (Sum) ο οποίος προσθέτει τα

επηρεασμένα από τα βάρη σήματα εισόδου και παράγει την ποσότητα S, S=(ΣwiXi) όπου i= 1…

n. Το άλλο μέρος του σώματος είναι η συνάρτηση ενεργοποίησης ή κατωφλίου (Activation ή

Threshold function) που είναι ένα μη γραμμικό φίλτρο το οποίο διαμορφώνει την τελική τιμή του

σήματος εξόδου y, σε συνάρτηση με την ποσότητα S.

Τρεις τυπικές περιπτώσεις για τη συνάρτηση ενεργοποίησης είναι:

Η βηματική (Step) συνάρτηση. Αυτή δίνει στην έξοδο αποτέλεσμα μόνο αν η τιμή

που υπολογίζει ο αθροιστής είναι μεγαλύτερη από μια τιμή κατωφλίου Τ.

Η συνάρτηση πρόσημου (Sign). Αυτή δίνει στην έξοδο αρνητική ή θετική

πληροφορία αν η τιμή που υπολογίζει ο αθροιστής είναι μικρότερη ή μεγαλύτερη από

την τιμή κατωφλίου,

Η σιγμοειδής (sigmoid) συνάρτηση. Αυτή εκφράζεται από τον τύπο:Φ(S)= 1/1+e^-α*s

Όπου το α είναι ένας συντελεστής ρύθμισης της ταχύτητας μετάβασης μεταξύ των δύο

ασυμπτωτικών τιμών. Αυτή είναι πολύ σημαντική συνάρτηση γιατί παρέχει μη γραμμικότητα στο

νευρώνα.

17

7.1.2 Τεχνητά Νευρωτικά Δίκτυα

Τα τεχνητά νευρωτικά δίκτυα (Artificial neutral networks) είναι συστήματα επεξεργασίας

δεδομένων τα οποία αποτελούνται από οργανωμένες δομές τεχνητών νευρώνων και είναι

δομημένοι σε επίπεδα. Το πρώτο επίπεδο είναι το επίπεδο εισόδου και δεν εκτελεί κάποιον

υπολογισμό. Στη συνέχεια μπορούν να υπάρχουν ένα η περισσότερα ενδιάμεσα ή κρυφά

επίπεδα. Τέλος ακολουθεί ένα επίπεδο εξόδου.

Τα δίκτυα χαρακτηρίζονται από το πώς μπορεί να είναι συνδεδεμένοι οι νευρώνες μεταξύ

των στρωμάτων:

Πλήρως συνδεδεμένοι (Fully connected). Είναι εκείνοι που συνδέονται με όλους τους

νευρώνες του επόμενου επιπέδου.

Μερικός συνδεδεμένοι (Partially connected). Είναι εκείνοι που δε συνδέονται με

όλους τους νευρώνες του επόμενου επιπέδου.

Επίπεδα με απλή τροφοδότηση (Feedforward). Είναι τα επίπεδα τα οποία δεν έχουν

συνδέσεις με νευρώνες του προηγούμενου επιπέδου, δηλαδή η πληροφορία είναι

μιας κατεύθυνσης.

Επίπεδα με ανατροφοδότηση (Feedback ή Recurrent). Όταν τα επίπεδα έχουν

συνδέσεις και με νευρώνες προηγούμενου επιπέδου.

Στο παρακάτω σχήμα μπορούμε να δούμε ένα τεχνητό νευρωνικό δίκτυο, όπως επίσης

μπορούμε να δούμε και τα χαρακτηριστικά των συνδεσμολογιών που περιγράψαμε παραπάνω.

Σχήμα 4: Τεχνητό νευρωνικό δίκτυο

18

Στο σχήμα 4 βλέπουμε πλήρως συνδεδεμένους νευρώνες (1,5,7,8), μερικός συνδεδεμένους

νευρώνες (2,3,4,6) και επίπεδα με απλή τροφοδότηση. Έχουμε κάνει και ένα παράδειγμα του

νευρώνα 6 με ανατροφοδότηση μόνο και μόνο για να δείξουμε πως θα ήταν ένα τέτοιο επίπεδο.

7.1.3 Βασικές Λειτουργίες και Χαρακτηριστικά

Τα τεχνητά νευρωνικά δίκτυα πραγματοποιούν δύο βασικές λειτουργίες:

Μάθηση (Learning)

Ανάκληση (Recall)

Η μάθηση είναι η διαδικασία τροποποίησης τις τιμής των βαρών του δικτύου, έτσι ώστε

όταν δίνετε συγκεκριμένο διάνυσμα εισόδου να παραχθεί συγκεκριμένο διάνυσμα εξόδου.

Η ανάκληση είναι η διαδικασία του υπολογισμού ενός διανύσματος εξόδου για

συγκεκριμένο διάνυσμα εισόδου και τιμές βαρών.

Τα βασικά χαρακτηριστικά που είναι άρρηκτα συνδεδεμένα με τα τεχνητά νευρωνικά δίκτυα

είναι τέσσερα:

Η ικανότητα τους να μαθαίνουν μέσο παραδειγμάτων (Learn by example)

Η δυνατότητα θεώρησης τους ως κατανεμημένη μνήμη (Distributed memory) και ως

μνήμη συσχέτισης (Associative memory)

Η μεγάλη τους ανοχή σε σφάλματα (Fault-tolerant)

Η ικανότητα τους για αναγνώριση προτύπων (Parrent recognition)

7.2 Εφαρμογές Τεχνητών Νευρωνικών Δικτύων

Οι εφαρμογές που έχουν χρησιμοποιηθεί από τα τεχνητά νευρωνικά δίκτυα είναι πάρα

πολλές. Μερικές από αυτές είναι:

Ο σχεδιασμός ενεργειών (Planning)

Ο χρονοπρογραμματισμός (Scheduling)

Η διάγνωση λαθών σε δορυφορικές επικοινωνίες

Η αναγνώριση υπογραφών

Η πρόβλεψη τιμών μετοχών

Επιπλέον χρησιμοποιούνται σε υπολογιστές παλάμης που δέχονται εντολές χειρόγραφα.

Ένα ακόμη γνωστό σύστημα που κάνει χρήση τεχνητών νευρωνικών δικτύων είναι το Papnet,

το οποίο κάνει διάγνωση σε αποτελέσματα του Τεστ Παπανικολάου. Σαν είσοδος δίνεται μια

ψηφιοποιημένη εικόνα μικροσκοπίου, έπειτα το νευρωνικό δίκτυο αναλαμβάνει την εξέταση των

δεδομένων που θα έπρεπε να κάνει ο άνθρωπος ειδικός. Τέλος, τα δίκτυα Kohonen έχουν

χρησιμοποιηθεί με επιτυχία σε προγράμματα υπαγόρευσης.

19

7.3 Γενετικοί Αλγόριθμοι

Η λογική πάνω στην οποία βασίστηκαν οι ερευνητές για να δημιουργήσουν τους γενετικούς

αλγόριθμους ήταν ο μηχανισμός εξέλιξης των οργανισμών. Οι οργανισμοί που δε μπορούν να

επιβιώσουν, πεθαίνουν, ενώ οι υπόλοιποι πολλαπλασιάζονται μέσω της αναπαραγωγής. Οι

απόγονοι όμως είναι λίγο διαφοροποιημένοι από τους προγόνους τους και υπερισχύουν αυτοί

που έχουν τα καλύτερα χαρακτηριστικά.

Η φιλοσοφία των γενετικών αλγορίθμων είναι η εξής: Αρχικά δημιουργείται με τυχαίο τρόπο

ένα σύνολο P από υποψήφιες μη αποδεκτές λύσεις του προβλήματος. Έστω Ν το πλήθος των

στοιχείων του συνόλου P. Οι λύσεις βαθμολογούνται από μια συνάρτηση καταλληλότητας. Η

βαθμολόγηση αυτή γίνεται αντιστοιχίζοντας έναν αριθμό για κάθε υποψήφια λύση. Ο αριθμός

αυτός δηλώνει την εγγύτητα της υποψήφιας μη αποδεκτής λύσης ως προς κάποια αποδεκτή.

Στη συνέχεια δημιουργούνται ζευγάρια Ν/2 από τον αρχικό Ν πληθυσμό. Από κάθε ζευγάρι

προκύπτουν δύο νέοι απόγονοι. Ο νέος πληθυσμός P’ αποτελείται από ένα σύνολο απογόνων

και αποτελεί βελτίωση του προηγούμενου πληθυσμού. Η διαδικασία επαναλαμβάνεται και για το

νέο πληθυσμό P’ όπου ο τερματισμός θα γίνει όταν βρεθεί η τέλεια λύση και όλες οι λύσεις θα

συγκλίνουν σε μία.

Την εφαρμογή των γενετικών αλγόριθμων στην επίλυση προβλημάτων την αφορούν

τέσσερα θέματα:

Αναπαράσταση των λύσεων

Η συνάρτηση καταλληλότητας

Η επιλογή των ζευγαριών

Η διαδικασία της αναπαραγωγής

7.3.1 Γενετικός Προγραμματισμός

Ο γενετικός προγραμματισμός είναι μια ειδική περίπτωση των γενετικών αλγόριθμων, όπου

ο στόχος του είναι η αυτόματη κατασκευή προγραμμάτων υπολογιστών. Στην περίπτωση αυτή,

οι υποψήφιες λύσεις είναι προγράμματα υπολογιστών αντί για bit-strings.

7.4 Εφαρμογές Γενετικών Αλγορίθμων

Εύρεση μέγιστης τιμής αριθμητικών συναρτήσεων. Είναι η πιο καλά μελετημένη εφαρμογή

των γενετικών αλγόριθμων. Η εύρεση του μέγιστου μιας συνάρτησης δεν είναι καθόλου εύκολη

υπόθεση για συναρτήσεις πολλών μεταβλητών, οι οποίες εμφανίζουν ασυνέχειες, θόρυβο, κλπ.

20

Επεξεργασία εικόνων. Οι γενετικοί αλγόριθμοι χρησιμοποιούνται για την αναγνώριση

προτύπων, όπως ακμές, επιφάνειες, ακόμη και αντικείμενα σε ψηφιοποιημένες εικόνες.

Συνδυαστικοί βελτιστοποίηση. Πρόκειται για το κλασσικό πρόβλημα κατανομής πόρων σε

δραστηριότητες, με σκοπό τη μεγιστοποίηση του οφέλους ή την ελάττωση του κόστους. Επίσης

και προβλήματα καταμερισμού εργασιών, όπως και κατασκευής ωρολογίων προγραμμάτων.

Σχεδίαση. Οι γενετικοί αλγόριθμοι μπορούν να χρησιμοποιηθούν στην σχεδίαση

κατασκευών και εξαρτημάτων, όπως γέφυρες, μηχανολογικά εξαρτήματα κλπ. Το ζητούμενο σε

αυτά μπορεί να είναι η εύρεση λύσης αλλά και η βελτιστοποίηση.

Μηχανική μάθηση. Στη μηχανική μάθηση οι γενετικοί αλγόριθμοι μπορούν να

χρησιμοποιηθούν για την ανακάλυψη κανόνων if… then… Όπου η πιο γνωστή εφαρμογή είναι

αυτή των συστημάτων κατηγοριοποίησης.

8 Σχεδιασμός Ενεργειών

Για να λύσουμε μια κατηγορία προβλημάτων που συναντάμε στην καθημερινή μας ζωή,

πρέπει να βρούμε μια ακολουθία ενεργειών που θα εφαρμοστεί στην αρχική κατάσταση και θα

μας επιφέρει την επίτευξη της λύσης του προβλήματος. Τέτοια προβλήματα μπορεί να είναι τα

προβλήματα μεταφοράς φορτίων, τα προβλήματα πλοήγησης, τα προβλήματα στρατηγικής, τα

προβλήματα επενδύσεων, κλπ. Αυτά τα προβλήματα ονομάζονται προβλήματα σχεδιασμού

ενεργειών (planning problems) και η ακολουθία των ενεργειών που αποτελεί την λύση τους

ονομάζεται πλάνο (plan). Το πρόγραμμα εκείνο το οποίο, δοθέντος ενός προβλήματος, θα βρει

το πλάνο του (την λύση του προβλήματος) ονομάζεται σχεδιαστής (planner) ή σύστημα

σχεδιασμού (planning system).

Το πρόβλημα που παρουσιάστηκε στην επίλυση αυτού του είδους τα προβλήματα είναι ότι

διακρίνονται για την υψηλή πολυπλοκότητα τους και τους μεγάλους χώρους αναζήτησης. Έτσι

οι αλγόριθμοι αναζήτησης που έχουμε δει ως τώρα αποδεικνύονται ανεπαρκείς. Γι’ αυτό το λόγο

αναπτύχθηκαν νέες τεχνικές, ειδικές για τα προβλήματα σχεδιασμού. Μερικές από αυτές τις

τεχνικές είναι : ο μη γραμμικός σχεδιασμός (non linear planning), ο σχεδιασμός με βάση την

αρχή της ελάχιστης δέσμευσης (least commitment planning), ο σχεδιασμός βασισμένος σε

γράφους (graph based planning), ο ιεραρχικός σχεδιασμός (hierarchical planning) κλπ.

Τον σχεδιασμό των ενεργειών τον αφορούν τρία κύρια θέματα, αυτά είναι:

o Αναπαράσταση των προβλημάτων.

o Εξελιγμένες τεχνικές αντιμετώπισης των προβλημάτων σχεδιασμού.

o Εκτέλεση των πλάνων και αντιμετώπιση απρόβλεπτων καταστάσεων.

21

8.1 Αναπαράσταση Προβλημάτων

Ένα πρόβλημα σχεδιασμού ορίζεται από τρεις περιγραφές. Αυτές είναι:

1. Η περιγραφή της αρχικής κατάστασης του κόσμου (Initial).

2. Η περιγραφή των στόχων (Goals) που πρέπει να επιτευχθούν.

3. Η περιγραφή των διαθέσιμων ενεργειών (Actions) που μπορούν να εκτελεστούν για

να επιτευχθούν οι στόχοι.

8.2 Τεχνικές Αντιμετώπισης των Προβλημάτων

Οι τεχνικές που μπορούν να αντιμετωπίσουν τα προβλήματα σχεδιασμού είναι:

Σχεδιασμός με αναζήτηση στο χώρο καταστάσεων. Αυτός είναι και ο πιο απλός

τρόπος. Η αναζήτηση στον χώρο καταστάσεων γίνεται με την χρήση αλγορίθμων

αναζήτησης.

Σχεδιασμός με αναζήτηση στον χώρο των πλάνων.

Σχεδιασμός βασισμένος σε γράφους. Εμφανίστηκε το 1995 με το σύστημα

σχεδιασμού Graphplan, του οποίου ο αλγόριθμος είναι ένα από τα πιο εντυπωσιακά

βήματα που έγιναν πρόσφατα στο χώρο του σχεδιασμού. Η λειτουργία του

Graphplan βασίζεται στην επαναλαμβανόμενη εναλλαγή δυο φάσεων, της επέκτασης

του γράφου και της απόπειρας εξαγωγής λύσης.

Σχεδιασμός σαν πρόβλημα ικανοποίησης προτάσεων. Μοιάζει με τον σχεδιασμό

βασισμένο σε γράφους, απλά σε αυτό το σύστημα το πρόβλημα πρώτα

κωδικοποιείται και μετά πάει στο βήμα της επίλυσης. Τα προγράμματα που το

χρησιμοποιούν είναι το Blackbox και το Medic.

8.3 Εκτέλεση Πλάνων

Την δημιουργία των πλάνων την αναλαμβάνει ένας σχεδιαστής. Ο οποίος έχει σαν βάση

την αναπαράσταση του κόσμο σε μια δεδομένη χρονική στιγμή και όπως την έχει δημιουργήσει

μέσω αισθητήρων. Το πρόβλημα είναι ότι ο κόσμος δεν παραμένει πάντα ο ίδιος, οπότε μπορεί

το πλάνο του σχεδιαστή να μην ανταποκρίνεται στις προθέσεις της ενέργειας.

Για να λυθεί ένα τέτοιο πρόβλημα υπάρχουν τρεις λύσεις:

Να επαναληφθεί η δημιουργία του πλάνου με τα νέα δεδομένα.

Να εκτελεστεί ένα εναλλακτικό πλάνο που να είναι εφαρμόσιμο.

Να γίνει τροποποίηση του πλάνου στα σημεία που εμφανίζεται το πρόβλημα.

22

9 Μηχανική Μάθηση

Η μηχανική μάθηση αποτελεί το βασικότερο χαρακτηριστικό που ορίζει μια οντότητα σαν

νοήμον. Ο όρος μηχανική μάθηση είναι άρρηκτα συνδεδεμένος με τη τεχνητή νοημοσύνη. Η

μάθηση συνδέεται με δυο βασικές ιδιότητες:

Την ικανότητα του στην αποκόμιση επιπλέον γνώσης κατά την αλληλεπίδραση του

με το περιβάλλον στο οποίο δραστηριοποιείται.

Την ικανότητα του να βελτιώνει με την επανάληψη τον τρόπο, με τον οποίο εκτελεί

τις εργασίες ή μια ενέργεια.

Ένα σύστημα με δυνατότητα μάθησης αλλάζει προς το καλύτερο σε σχέση με τις

λειτουργίες που εκτελεί. Η λειτουργία του συστήματος προκαλεί μεταβολές στη βάση των

γνώσεων του, δηλαδή ένα τέτοιο σύστημα εμπλουτίζει τις γνώσεις του κατά την διάρκεια της

λειτουργίας του.

Η βελτίωση της εκτέλεσης μιας ενέργειας με επανάληψη είναι εξίσου δύσκολη. Αυτό γίνετε

γιατί πρέπει να προσδιοριστούν με ακρίβεια οι παράμετροι που περιγράφουν αυτή τη βελτίωση.

Επίσης θα πρέπει να ληφθεί υπόψη και η επίδραση που θα έχει μια μεταβολή στις υπόλοιπες

ενέργειες που εκτελούνται από το σύστημα.

Ένα σύστημα με δυνατότητα μάθησης θα πρέπει να είναι ικανό να μπορεί να παραλείπει

χαρακτηριστικά και ιδιότητες που δεν αντιπροσωπεύουν την έννοια η την ενέργεια που πρέπει

να μάθει. Για παράδειγμα, σε ένα σύστημα που είναι προγραμματισμένο να εντοπίζει μεταλλικά

αντικείμενα, δεν απαιτείτε να ληφθεί υπόψη το σχήμα των αντικειμένων. Αυτό επιτρέπει την

ευκολότερη αντιμετώπιση πολλών καταστάσεων, χωρίς να χρειάζεται προγραμματισμός για την

αντιμετώπιση κάθε μιας από αυτές.

Ο τομέας της μηχανικής μάθησης έχει ασχοληθεί με πλήθος προβλημάτων και έχει

προτείνει διάφορες μεθόδους λύσεων.

Για την ώρα η κατασκευή μιας μηχανής με γενικευμένη δυνατότητα μάθησης αποτελεί

ουτοπία. Όμως είναι ξεκάθαρο ότι η αποτελεσματικότητα ενός συστήματος μάθησης εξαρτάται

από την αρχική γνώση που εμείς του έχουμε δώσει. Έτσι διαπιστώνουμε ότι χωρίς την

κατανόηση της μάθησης από το ίδιο το σύστημα η διαδικασία γίνεται εξαιρετικά δύσκολη. Θα

δούμε αναλυτικότερα τις σημαντικότερες μεθοδολογίες που έχουν αναπτυχθεί για την μηχανική

μάθηση.

23

9.1 Η Μηχανική Μάθηση ως Πρόβλημα Αναζήτησης.

Η προσέγγιση της μηχανικής μάθησης ως πρόβλημα αναζήτησης μπορεί να θεωρηθεί σαν

την αναζήτηση σε ένα χώρο υποθέσεων, οι οποίες υποθέσεις προέρχονται από μια αρχική

υπόθεση που ταιριάζει καλύτερα στη προσέγγιση του προβλήματος.

Ένα τέτοιο σύστημα μηχανικής μάθησης απαιτεί κάποια γλώσσα αναπαράστασης του

κόσμου. Για παράδειγμα, πρόγραμμα με στόχο την κατηγοριοποίηση αντικειμένων. Επιπλέον

απαιτείται ένα σύνολο από τελεστές, οι οποίοι θα επιτρέψουν στο σύστημα να οδηγηθεί σε μια

γενίκευση, ένα πλάνο που ικανοποιεί τους στόχους του.

Η γλώσσα αναπαράστασης και οι διάφοροι τελεστές αποτελούν τον χώρο των εννοιών

μέσα στο οποίο το σύστημα μηχανικής μάθησης θα αναζητήσει τη σωστή έννοια.

9.2 Επαγωγική Μάθηση

Η επαγωγική μάθηση ορίζεται ως η μάθηση μιας έννοιας από ένα σύνολο παραδειγμάτων.

Η επαγωγική μάθηση μπορεί να διακριθεί σε:

o Μάθηση με επίβλεψη ή με παραδείγματα

o Μάθηση χωρίς επίβλεψη ή από παρατήρηση

Στη μάθηση με επίβλεψη δίνονται στο σύστημα παραδείγματα αντικειμένων μιας

κατηγορίας και αυτό πρέπει να βρει τις κοινές ιδιότητες της. Το αποτέλεσμα της διαδικασίας

αυτής είναι κανόνες κατηγοριοποίησης της μορφής: ‘εάν [περιγραφή] τότε [κατηγορία]’ .

Στη μάθηση χωρίς επίβλεψη το σύστημα πρέπει να ανακαλύψει τις κατηγορίες μόνο του,

βασιζόμενο στις ιδιότητες τους.

Οι δύο γνωστότεροι αλγόριθμοι επαγωγικής μάθησης είναι:

o Αλγόριθμος απαλοιφής υποψηφίων

o Αλγόριθμος ID3, γνωστός και σαν αλγόριθμος κατασκευής δέντρων απόφασης με

επαγωγή.

9.3 Άλλα Είδη Μάθησης

Εκτός από την επαγωγική μάθηση και τη μάθηση ως πρόβλημα αναζήτησης υπάρχουν και

άλλες προσεγγίσεις στο πρόβλημα της μηχανικής μάθησης.

24

9.3.1 Νευρωτικά Δίκτυα Τα νευρωτικά δίκτυα παρέχουν ένα πραγματικό τρόπο για την εκμάθηση αριθμητικών και

διανυσματικών συναρτήσεων ορισμένων σε συνεχή ή διακριτά μεγέθη και έχουν μεγάλο

πλεονέκτημα ανοχής σε δεδομένα εκπαίδευσης με θόρυβο. Υπάρχει πληρέστερη ανάλυση στο

σχετικό κεφάλαιο.

9.3.2 Γενετικοί Αλγόριθμοι Στους γενετικούς αλγόριθμους η μάθηση ορίζεται στην εύρεση της βέλτιστης υπόθεσης με

βάση μια συνάρτηση καταλληλότητας όπου η μεθοδολογία της είναι βασισμένη στη βιολογική

εξέλιξη. Υπάρχει πληρέστερη ανάλυση στο σχετικό κεφάλαιο.

9.3.3 Μάθηση κατά BayesΗ συλλογιστική κατά Bayes συνεισφέρει στο πρόβλημα της μηχανικής μάθησης γιατί

περιέχει μια ποσοτική μεθοδολογία για την αξιολόγηση των διαφόρων ενδείξεων που

διερευνώνται κατά τη μάθηση. Αποτελεί τη θεωρητική βάση για αλγόριθμους μάθησης που

διαχειρίζονται πιθανότητες. Στη μάθηση κατά Bayes, κάθε παράδειγμα εκπαίδευσης μπορεί να

αυξάνει ή να μειώνει σταδιακά τις πιθανότητες να είναι σωστή μια υπόθεση.

9.3.4 Μάθηση Βασισμένη σε Παραδείγματα Αυτού του είδους η μάθηση, είναι αντίθετη με τις μεθόδους μηχανικής μάθησης που

αναφέρθηκαν ως τώρα, οι οποίες κωδικοποιούν τα παραδείγματα εκπαίδευσης σε μια καλά

δομημένη περιγραφή. Δηλαδή σε αυτή τη μάθηση τα δεδομένα εκπαίδευσης διαιρούνται

αυτούσια. Και όταν κλιθεί να αποφασίσει για μια νέα περίπτωση εξετάζει τη σχέση της με τις

είδη αποθηκευμένες περιπτώσεις. Χαρακτηριστικός αλγόριθμος αυτής της μάθησης είναι ο

αλγόριθμος των κοντινότερων – γειτόνων.

9.3.5 Ενισχυτική ΜάθησηΗ ενισχυτική μάθηση χρησιμοποιείται κυρίως σε προγράμματα πράκτορες και ρομποτικούς

μηχανισμούς. Τα σχετικά συστήματα εκτελούν διαδοχικές ενέργειες και παρατηρούν τα

αποτελέσματα των ενεργειών αυτών. Η μάθηση της επιλογής των ενεργειών γίνεται με βάση μια

τιμή ανταμοιβής, η οποία σχετίζεται με την επιβράβευση η την επίκριση ανάλογα με το αν το

αποτέλεσμα κριθεί ότι συνεισφέρει η όχι στην επίτευξη των στόχων του συστήματος. Ο πιο

γνωστός αλγόριθμος μάθησης με ενίσχυση είναι η μάθηση Q.

9.3.6 Εύρεση Γνώσης σε Βάση Δεδομένων Είναι σχετικά πρόσφατος όρος και εφαρμόζεται σε πραγματικές συνθήκες και σε ευρεία

κλίμακα των ερευνητικών αποτελεσμάτων της μηχανικής μάθησης. Αυτό το είδος εύρεσης

γνώσης μπορούμε να το περιγράψουμε σαν μια ειδική περίπτωση μηχανικής μάθησης, στη

οποία ο χώρος αναζήτησης μοντελοποιείται με μια βάση δεδομένων.25

10 Διασύνδεση με το Περιβάλλον

Η διασύνδεση με το περιβάλλον ενός υπολογιστικού συστήματος τεχνητής νοημοσύνης

είναι πολύ σημαντική γιατί επηρεάζει άμεσα την αποδοτικότητα της χρήσης των συστημάτων

αυτών. Μπορούμε να πούμε πως η διασύνδεση χωρίζεται σε τρία κομμάτια.

Η πρώτη αφορά την επεξεργασία της φυσικής γλώσσας, δηλαδή τη δυνατότητα εισόδου

των εντολών σε ένα υπολογιστικό σύστημα, αλλά και ανταπόκρισης από αυτό με φυσικό τρόπο

για τον άνθρωπο, π.χ ομιλία.

Η δεύτερη αφορά τη χρήση τεχνητής όρασης η οποία χρησιμοποιείτε για τη λήψη

δεδομένων από το περιβάλλον όπως και την πιστοποίηση του χρηστή.

Η τρίτη εφαρμογή αποτελεί τη ρομποτική, δηλαδή την ολοκλήρωση της τεχνητής

νοημοσύνης σε οντότητες. Όπως π.χ τα ρομπότ, τα οποία ξεφεύγουν από το κλασσικό μοντέλο

του υπολογιστή και επεκτείνονται σε ανθρωποειδή με όσο το δυνατόν πειστικότερη ανθρώπινη

συμπεριφορά.

10.1 Φυσική Γλώσσα

10.1.1 Επεξεργασία Φυσικής Γλώσσας

Με τον όρο επεξεργασία φυσικής γλώσσας (Natural Language Processing, NLP) εννοούμε

τις εξής δυο επεξεργασίες:

Τη κατανόηση της φυσικής γλώσσας

Τη παραγωγή της φυσικής γλώσσας

Η κατανόηση της φυσικής γλώσσας είναι η δυνατότητα της μετατροπής σε αναπαράσταση

γνώσης για τον υπολογιστή από μια πρόταση ή φράση, η οποία μπορεί να είναι είτε προφορική

είτε γραπτή είτε κάποιου νοήματος. Αυτή την αναπαράσταση γνωστής ο υπολογιστής μπορεί να

την επεξεργαστεί και να προβεί σε ενέργειες ή να την αποθηκεύσει για μελλοντική χρήση.

Η παραγωγή της φυσικής γλώσσας είναι η μετατροπή της αναπαράστασης γνώσης σε

προτάσεις φυσικής γλώσσας. Θα μπορούσαμε να πούμε πως είναι η προφορική παραγωγή ή η

γραπτή.

Η κατανόηση της φυσικής γλώσσας πολλές φορές χαρακτηρίζεται με τον γενικότερο όρο:

επεξεργασία φυσικής γλώσσας.

Ένα παράδειγμα φυσικής γλώσσας είναι όταν ο χρήστης δίνει τις προτάσεις του

προφορικά, οπότε ο υπολογιστής πρέπει να επεξεργαστεί και να αποδικωποιήσει τα ηλεκτρικά

26

σήματα που δέχεται από ένα αισθητήρα, στη προκείμενη περίπτωση μικρόφωνο. Έτσι το

φυσικό μέγεθος μετατρέπεται σε ηλεκτρικό σήμα.

Η απάντηση του υπολογιστή σε φυσική γλώσσα δίνεται στη μορφή ηλεκτρικού σήματος, το

οποίο θα μετατραπεί σε ηχητικό σήμα μέσω ενός μεγαφώνου ή ηχείου.

Η βασική εφαρμογή της επεξεργασίας της φυσικής γλώσσας γίνεται στην ανάπτυξη

εξελιγμένων διασυνδέσεων (Interfaces) παρακάμπτοντας το κλασσικό μοντέλο διασύνδεσης

πληκτρολόγιο, ποντίκι, οθόνη. Σε ένα τέτοιο περιβάλλον η εφαρμογή της διασύνδεσης

(Interface) γίνεται πιο φιλική για τον χρηστή ενώ μειώνεται και ο χρόνος. Επίσης ανοίγονται και

νέες δυνατότητες π.χ διασύνδεση μέσω τηλεφώνου ή ακόμη και η χρησιμοποίηση ατόμων με

πρόβλημα όρασης.

Σχήμα 5: Επεξεργασία φυσικής γλώσσας

10.1.2 Κατανόηση Φυσικής Γλώσσας

Η κατανόηση της φυσικής γλώσσας αφορά τη μετατροπή του λόγου σε μονοσήμαντες

εσωτερικές δομές αναπαράστασης γνώσης. Στη πιο ολοκληρωμένη μορφή της περιλαμβάνει

τέσσερα σταδία:

Αναγνώριση ομιλίας (Speech Recognetion)

Συντακτική Ανάλυση (Syntactic Analysis)

Σημασιολογική Ανάλυση (Sentantic Analysis)

Πραγματολογική Ανάλυση (Pragmatic Analysis)

Τα τέσσερα στάδια δεν έχουν αυστηρή διάδοχη εκτέλεσης.

27

10.1.2.1 Αναγνώριση Ομιλίας

Η αναγνώριση ομιλίας είναι η διαδικασία στην οποία τα ηχητικά-ηλεκτρικά σήματα

μετατρέπονται σε φθόγγους και στη συνέχεια από αυτά παράγονται λέξεις και προτάσεις. Η

διαδικασία αναγνώρισης ομιλίας περιλαμβάνει τα ακόλουθα βήματα:

1. Παραγωγή φασματογραφήματος: είναι μια ανάλυση των συχνοτήτων που

εμφανίστηκαν – ακούστηκαν κατά την εκφώνηση της πρότασης.

2. Αναγνώριση φθόγγου: σε αυτό το βήμα γίνεται η εξαγωγή των φθόγγων από το

φασματογράφο βάση μιας βιβλιοθήκης που περιέχει πρότυπα αυτών.

Ένα πρόβλημα σε αυτό είναι ότι ένας φθόγγος δεν εκφέρεται με την ίδια χροιά ούτε με την

ίδια ταχύτητα και χρησιμοποιούνται τεχνικές της τεχνητής νοημοσύνης όπως π.χ τα νευρωτικά

δίκτυα.

3. Δημιουργία λέξεων: αυτό το βήμα παίρνει τους ίδιους παραγόμενους φθόγγους και

τους συνδυάζει σε λέξεις. Ένα πρόβλημα σε αυτό το βήμα είναι ότι οι φθόγγοι

αναγνωρίζονται με κάποιες πιθανότητες όποτε χρειάζεται αναζήτηση για να βρεθεί ποιες

λέξεις ταιριάζουν καλύτερα.

Τα προβλήματα στην αναγνώριση ομιλίας είναι πως κατά τη διάρκεια της ομιλίας, πολλές

λέξεις διαφορετικές μεταξύ τους στη σημασία φέρονται με τον ίδιο τρόπο ή και αντίθετα. Η ίδια η

λέξη μπορεί να εκφέρεται με διαφορετικούς τρόπους όποτε αυτό δυσκολεύει την διαδικασία της

αναγνώρισης ομιλίας.

10.1.2.2 Συντακτική Ανάλυση

Ο σκοπός της συντακτικής ανάλυσης είναι να ομαδοποίηση των λέξεων που παρήχθησαν

κατά το στάδιο της αναγνώρισης ομιλίας σε προτάσεις, οι οποίες είναι σωστές βάση των

γραμματικών και συνεκτικών κανόνων της γλώσσας. Για να πραγματοποιηθεί η συνεκτική

ανάλυση χρειάζεται ένα λεξικό και μια γραμματική.

10.1.2.3 Σημασιολογική Ανάλυση

Στο στάδιο αυτό επιχειρείται η μετατροπή των προτάσεων σε εσωτερικές δομές

αναπαράστασης γνώσης. Και αυτό γίνεται χρησιμοποιώντας τη νοηματική σημασία των λέξεων.

Για παράδειγμα αν χρησιμοποιείται η γλώσσα λογικού προγραμματισμού Prolog για την

εσωτερική αναπαράσταση της γνώσης, η πρόταση: Ο Κώστας θέλει αμάξι, μπορεί να

αναπαρασταθεί σαν: Θέλει (‘Κώστας’, ‘αμάξι’) .

28

10.1.2.4 Πραγματολογική Ανάλυση

Η πραγματολογική ανάλυση επιχειρεί να εντάξει τη πρόταση μέσα στο γενικότερο

νοηματικό πλαίσιο των συμφραζόμενων λαμβάνοντας υπόψη τις συνθήκες στις οποίες

ειπώθηκε. Αν μια πρόταση περιέχει αντωνυμίες, η οποίες αναφέρονται σε ονόματα άλλων

προτάσεων δεν μπορεί να γίνει σημασιολογική ανάλυση αν δεν ληφθούν υπόψη οι υπόλοιπες

προτάσεις.

Για να ελαχιστοποιηθούν οι πιθανότητες εμφάνισης λάθους και να δημιουργηθούν πιο

αξιόπιστες προτάσεις θα πρέπει κάθε σύστημα κατανόησης φυσικής γλώσσας να έχει

αναπαράσταση της τρέχουσας κατάστασης της συζήτησης, δηλαδή ποιο είναι το θέμα, ποιοι

λαμβάνουν μέρος στη συζήτηση, ποιες ήταν οι τελευταίες προτάσεις κ.τ.λ

10.1.3 Παραγωγή Φυσικής Γλώσσας.

Παραγωγή φυσικής γλώσσας ονομάζουμε την λειτουργία ενός συστήματος να δίνει

απαντήσεις στο χρηστή σε φυσική γλώσσα, γραπτά η προφορικά.

Η διαδικασία της λειτουργίας μπορεί να αναλυθεί σε δυο σταδία:

Τι θα ειπωθεί

Πως θα ειπωθεί

Το στάδιο της επιλογής για το τι θα ειπωθεί έχει σχέση με το ποια λέξη και με το ποια

πληροφορία επιλέγει να αναφέρει το σύστημα στο χρήστη. Το σύστημα θα πρέπει να επιλέξει

αυτά που θεωρεί απαραίτητα αφήνοντας την υπόλοιπη πληροφορία για την περίπτωση που τη

ζητήσει ο χρήστης. Έτσι κερδίζεται χρόνος στην επικοινωνία συστήματος – χρηστή.

Το στάδιο της επιλογής του πως θα ειπωθεί έχει να κάνει με τη πληροφορία που θα

μεταδοθεί στο χρήστη. Για το λόγο αυτό η πληροφορία ομαδοποιείται σε μικρές, λογικές

ενότητες, από τις οποίες στη συνεχεία δημιουργούνται προτάσεις, χρησιμοποιώντας τους

κανόνες γραμματικής της γλώσσας.

Αν η επικοινωνία είναι φωνητική οι προτάσεις πρέπει να εκφωνηθούν. Για το σκοπό αυτό

πρέπει να έχουν αποθηκευτεί ηχητικά όλες οι λέξεις με όλες τις δυνατές παραλλαγές τους. Ένας

πιο σύνθετος τρόπος δημιουργίας προτάσεων είναι να γίνεται σύνθεση φθόγγων από τα

γράμματα των λέξεων.

29

10.1.4 Εφαρμογές Επεξεργασίας Φυσικής Γλώσσας

10.1.4.1 Μεταφραστής

Από τη δεκαετία του 60 δημιουργήθηκε η ιδέα μιας μηχανής που θα κάνει αυτόματη

μετάφραση. Πρώτη επιτυχημένη απόπειρα για κάτι τέτοιο έγινε από την εταιρία XEROX, η

οποία όρισε μια γλώσσα, υποσύνολο της αγγλικής, με λέξη της οποίας έπρεπε να γράφονται τα

τεχνητά εγχειρίδια των συσκευών της. Στη συνέχεια υλοποίησε ένα σύστημα αυτόματης

μετάφρασης, το systran, το οποίο μετέφραζε αυτόματα τα κείμενα σε άλλες γλώσσες.

Μια εξελιγμένη έκδοση του προγράμματος systran υπάρχει στο δικτυακό τόπο

http://www.systranet.com

10.1.4.2 Φωνητική Προσπέλαση Βάσεων Δεδομένων

Με την εφαρμογή της φωνητικής προσπέλασης βάσεων δεδομένων δίνεται στο χρήστη η

δυνατότητα να εισάγει ερωτήματα σε βάσεις δεδομένων χρησιμοποιώντας φυσική γλώσσα.

Στην ουσία γίνεται αυτόματη μετατροπή των ερωτήσεων που διατυπώνονται σε φυσική γλώσσα

σε ερωτήσεις SQL στη βάση δεδομένων.

Το Luna ήταν το πρώτο σύστημα της συγκεκριμένης κατηγορίας και αναπτύχθηκε για την

NASA από τον Woods το 1973. Το σύστημα δεχόταν ερωτήσεις που αφορούσαν μια γεωλογική

βάση δεδομένων από τις αποστολές του Apollo στη σελήνη.

10.1.4.3 Ανάκτηση Πληροφοριών

Η εφαρμογή αυτή σου δίνει τη δυνατότητα να βρεις ηλεκτρονικά έγγραφα σχετικά με μια

ερώτηση. Η πιο απλή περίπτωση αυτής της εφαρμογής είναι τα έγγραφα να χαρακτηρίζονται

από λέξεις κλειδιά ή από έναν επεξηγηματικό τίτλο. Αυτή η προσέγγιση χρησιμοποιείται σήμερα

από πολλές μηχανές αναζήτησης στο διαδικτυο. Το κύριο πρόβλημα είναι ότι το αποτέλεσμα

της εύρεσης είναι να δώσει πολλά έγγραφα τα οποία είναι άσχετα με την αναζητούμενη

πληροφορία. Η ιδανική περίπτωση θα ήταν η μηχανή αναζήτησης να μπορεί να κάνει νοηματική

επεξεργασία των εγγράφων.

10.1.4.4 Κατηγοριοποίηση Κειμένων

Η εφαρμογή αυτή αφορά την ταξινόμηση κειμένων βάση του περιεχομένου τους. Είναι μια

εφαρμογή χρήσιμη σε ηλεκτρονικές εφημερίδες και πρακτορεία ειδήσεων. Τα τελευταία χρόνια

τα συστήματα αυτόματης κατηγοριοποίησης δεδομένων σημείωσαν πρόοδο επιτυγχάνοντας

ποσοστά επιτυχίας στη κατηγοριοποίηση άνω του 90%

30

10.1.4.5 Αυτόματη Περίληψη

Η εφαρμογή αυτή αφορά την εξαγωγή από ένα μεγάλο κείμενο σε ένα μικρότερο, με το

κεντρικό νόημα του πρώτου. Είναι μια πολύ χρήσιμη εφαρμογή για τη σημερινή εποχή που ο

χρόνος πιέζει και οι πληροφορίες είναι πολλές, η χρήση συστημάτων αυτόματης περίληψης

είναι πολλαπλά χρήσιμη. Τα συστήματα αυτά μπορούν επίσης να χρησιμοποιηθούν σε

συνδυασμό με τα συστήματα αναζήτησης πληροφοριών έτσι ώστε από τα επιστρεφόμενα

έγραφα της αναζήτησης, να παράγονται και να παρουσιάζονται περίληψης. Τα συστήματα αυτά

βρίσκονται ακόμη σε αρχικό στάδιο.

10.2 Μηχανική Όραση

Ένα εξίσου σημαντικό πεδίο της τεχνητής νοημοσύνης είναι η μηχανική όραση (machine

vision). Είναι η δυνατότητα ενός υπολογιστικού συστήματος να βλέπει στο χώρο μέσω μιας

ψηφιακής εικόνας. Η πιο απλή χρήση είναι οπτική αναγνώριση χαρακτήρων, δηλαδή να

μετατρέπει μια εικόνα ενός έγγραφου σε επεξεργάσιμο κείμενο ( έγγραφο word).

10.2.1 Ψηφιακή Περιγραφή Εικόνας

Κάθε ψηφιοποιημένη εικόνα είναι ένας δισδιάστατος πίνακας, κάθε στοιχείο του οποίου

προσδιορίζει τη φωτεινότητα κάθε ενός σημείου της εικόνας. Κάθε τέτοιο στοιχείο είναι γνωστό

ως pixel (picture element). Όταν δεν έχουμε έγχρωμες εικόνες τότε χρησιμοποιείται μια

συγκεκριμένη κλίμακα τιμών που ξεκινάει από το 0 και φτάνει μέχρι το 255. Το 0 είναι το μαύρο

και το 255 είναι το λευκό. Με αυτό το τρόπο γίνεται η κωδικοποίηση της φωτεινότητας κάθε

pixel. Στην ουσία, μια τέτοια εικόνα περιέχει διαβαθμίσεις του γκρι. Στην περίπτωση που η

εικόνα είναι έγχρωμη, τότε οι πίνακες φωτεινότητας είναι τρεις. Κάθε ένας πίνακας για κάθε

βασικό χρώμα (red, green, blue). Με αυτά τα τρία χρώματα μπορούμε να δημιουργήσουμε όλα

τα υπόλοιπα, γι’ αυτό και λέγονται και βασικά. Για να έχουμε καλά αποτελέσματα πρέπει να γίνει

η αφαίρεση θορύβου κ η αφαίρεση της υπερβολικής λεπτομέρειας από την εικόνα.

Θόρυβο ονομάζουμε τις ατέλειες στην φωτεινότητα της εικόνας και κυρίως εισάγεται κατά

την διαδικασία δημιουργίας της ψηφιακής εικόνας. Για την αφαίρεση του θορύβου υπάρχει μια

κλασσική μέθοδος: Η χρήση μετασχηματισμών Fourier. Η υπερβολική λεπτομέρεια δεν είναι

πάντα χρήσιμη σε μια ψηφιακή εικόνα. Για παράδειγμα, αν θέλουμε να εντοπίσει το σύστημα

μηχανικής όρασης έναν πίνακα ζωγραφικής στο χώρο, δεν βοηθά το ίδιο το σύστημα η

υπερβολική λεπτομέρεια γιατί έτσι θα αποσπαστεί στα χαρακτηριστικά του πίνακα και όχι στον

31

ίδιο τον πίνακα, στον οποίο θα μπορούσε να επικεντρωθεί ευκολότερα αν είχε χρησιμοποιηθεί

περιορισμός λεπτομέρειας στο σύστημα. Ο περιορισμός της λεπτομέρειας γίνεται με

εξομάλυνση της εικόνας. Αυτό γίνεται με το να παίρνει ένα pixel τη φωτεινότητα των κοντινών

του εικονοστοιχείων.

10.2.2 Στάδια Επεξεργασίας Μηχανικής Όρασης

Η διαδικασία της επεξεργασίας της μηχανικής όρασης περιλαμβάνει 3 στάδια:

1. Επεξεργασία Χαμηλού Επιπέδου

2. Επεξεργασία Μεσαίου Επιπέδου

3. Επεξεργασία Υψηλού Επιπέδου

10.2.2.1 Επεξεργασία Χαμηλού Επιπέδου

Στην επεξεργασία χαμηλού επιπέδου γίνεται μέσω εντοπισμού των ακμών που οριοθετούν

τα διάφορα αντικείμενα ή διακριτές περιοχές που απεικονίζονται στην εικόνα. Το αποτέλεσμα

αυτής της επεξεργασίας θα είναι μια εικόνα που θα μοιάζει περισσότερο με ένα σκίτσο. Ο

εντοπισμός των ακμών γίνεται όταν η φωτεινότητα των εικονοστοιχείων στην οριζόντια ή στη

κάθετη διεύθυνση ανάμεσα σε δυο γειτονικά εικονοστοιχεία μεταβάλλεται περισσότερο από μια

προκαθορισμένη τιμή. Σε αυτό το εικονοστοιχείο θεωρείται ότι εντοπίζεται ακμή με αποτέλεσμα

να χρωματίζονται μαύρα, ενώ όλα τα υπόλοιπα λευκά. Έπειτα ομαδοποιούνται τα σημεία που

εντοπίστηκαν πριν και αυτό γίνεται κάνοντας κάθε φορά έλεγχο στα κοντινότερα σημεία που

εντοπίστηκε η ακμή.

10.2.2.2 Επεξεργασία Μεσαίου Επιπέδου

Σε αυτό το επίπεδο, γίνεται η ομαδοποίηση των ακμών που εντοπίστηκαν πριν και

προσπαθεί να κάνει κατά προσέγγιση εντοπισμό των αντικειμένων που απεικονίζονται στην

εικόνα. Ένας απλός τρόπος για να γίνει αυτή η ομαδοποίηση είναι να εξετάζει την απόχρωση σε

περιοχές της εικόνας για συνήθως περιοχές παρόμοιας απόχρωσης ανήκουν σε διακριτά

αντικείμενα. Το αποτέλεσμα της επεξεργασίας μεσαίου επιπέδου ονομάζεται σκίτσο 2,5

διαστάσεων.

10.2.2.3 Επεξεργασία Υψηλού Επιπέδου

Στην υψηλού επιπέδου επεξεργασία το σύστημα μηχανικής όρασης αντιστοιχίζει τα

γεωμετρικά σκίτσα που προέκυψαν με γνωστά δισδιάστατα ή τρισδιάστατα μοντέλα

32

αντικειμένων. Στόχος είναι η ακριβής αναγνώριση των αντικειμένων που απεικονίζονται στην

εικόνα. Αυτό γίνεται με δυο τρόπους:

Συμβολικά, δηλαδή συγκρίνοντας το σκίτσο ενός αντικειμένου με αποθηκευμένες

γεωμετρικές περιγραφές.

Αριθμητικά με τη χρήση νευρωνικών δικτύων.

10.3 Εφαρμογές Μηχανικής Όρασης

Κάποιες από τις εφαρμογές της μηχανικής όρασης είναι:

Εντοπισμός αντικειμένων, π.χ εντοπισμός ανθρώπων σε μια αίθουσα

Αναγνώριση προσώπων σε συστήματα ασφάλειας

Ποιοτική αξιολόγηση προϊόντων με οπτικό έλεγχο

Κατηγοριοποίηση ουράνιων σωμάτων

Αυτόματη αποφυγή εμποδίων από αυτοκινούμενες συσκευές

Ιατρική διάγνωση από ακτινογραφίες

10.4 Ρομποτική

Ο όρος ρομπότ χρησιμοποιείται για να εκφράσει μηχανές. Οι μηχανές αυτές μπορεί να είναι

απλοί μηχανικοί βραχίονες που χρησιμοποιούνται σε εργοστάσια όπως για παράδειγμα στη

συναρμολόγηση αυτοκινήτων, αλλά και πιο σύνθετα κατασκευάσματα όπως τα ανθρωπόμορφα

ρομπότ των ταινιών επιστημονικής φαντασίας. Τα πιο εξελιγμένα ρομπότ μπορούν να

θεωρηθούν σαν ευφυής οντότητες, οι οποίες αλληλεπιδρούν με το περιβάλλον με μηχανικά

ηλεκτρονικά μέσα, όπως βραχίονας, τεχνητή όραση κ.τ.λ. Η καθαυτή λέξη ρομπότ προέρχεται

από μια τσέχικη λέξη που σημαίνει εργάτης και χρησιμοποιήθηκε για πρώτη φορά από το

Τσέχο συγγραφέα Karel Capek το 1921.

Στην ανάπτυξη ενός ρομπότ υπάρχουν κάποιες δυσκολίες. Κύρια δυσκολία είναι πως ο

πραγματικός κόσμος είναι εξαιρετικά πολύπλοκος και μοντελοποιείτε δύσκολα. Μερικά από τα

προβλήματα που θα αντιμετωπίσει το πραγματικό ρομπότ είναι:

Ο εντοπισμός των θέσεων των αντικειμένων μέσω τεχνητής όρασης που έχει ως

αποτέλεσμα τον περιορισμό της ακρίβειας.

Η ύπαρξη στο χώρο (που κινείται το ρομπότ) και άλλων αντικειμένων άσχετων με

την εργασία που πραγματοποιεί το ρομπότ.

Τα ρομπότ έχουν περιορισμένη αξιοπιστία στις ενέργειες τους αφού δεν

εξασφαλίζεται πάντα η επιτυχής εκτέλεση των ενεργειών τους.

33

10.4.1 Τα Μέρη του Ρομπότ

Κάθε ρομπότ αποτελείται από 3 μέρη:

1. Τη μονάδα έλεγχου.2. Τα εξαρτήματα δράσης.3. Τους αισθητήρες.

10.4.1.1 Μονάδα Ελέγχου

Η μονάδα ελέγχου είναι στην ουσία ένας υπολογιστής, ο οποίος είναι προγραμματισμένος

να συλλέγει δεδομένα από το περιβάλλον, να σχεδιάζει τις ενέργειες που πρόκειται να

ακολουθήσει και να τις εκτελεί. Η μονάδα ελέγχου είναι το σύστημα το οποίο περιέχει την γνώση

και το περιβάλλον εργασίας του ρομπότ.

10.4.1.2 Εξαρτήματα Δράσης

Τα εξαρτήματα δράσης εκτελούν ενέργειες με σκοπό τη μεταβολή του ρομπότ ή τη

μεταβολή της κατάστασης του. Τα βασικά εξαρτήματα δράσης του ρομπότ αφορούν τη κίνηση

του. Οι τρόποι που μπορεί να κινηθεί ένα ρομπότ είναι πάρα πολλοί, ο πιο απλός τρόπος είναι

να χρησιμοποιηθούν ρόδες, έτσι το ρομπότ θα μπορεί να μετακινηθεί εύκολα και γρήγορα. Και

θα μπορεί να διατηρεί την ισορροπία του και όταν κινείται και σαν σταματημένο. Το κύριο

μειονέκτημα αυτής της περίπτωσης είναι πως απαιτείται το έδαφος να είναι επίπεδο. Έχουν

κατασκευαστεί όμως και ρομπότ που μπορούν να μετακινηθούν σε εξαιρετικά ανώμαλες

επιφάνειες όπως το ρομποτικό όχημα που στάλθηκε στον πλανήτη Άρη (Mars Sojourner).

Εναλλακτικός τρόπος κίνησης ενός ρομπότ είναι με τη χρησιμοποίηση βραχιόνων με μορφή

ποδιών, οι οποίοι προσομοιώνουν τη κίνηση του ανθρώπου ή τετραπόδων. Τα προβλήματα της

συγκεκριμένης κίνησης είναι οι εξαιρετικά πολύπλοκοι μηχανισμοί και η έλλειψη ευστάθειας.

Πέρα από τη κίνηση του ίδιου του ρομπότ, θα πρέπει να μπορεί να μετακινεί. Και στη

μετακίνηση αντικειμένων οι τρόποι είναι δυο:

Ώθηση : στη περίπτωση αυτή το ρομπότ απλά σπρώχνει τα αντικείμενα που θέλει

να μετακινήσει.

Μεταφορά: σε αυτή τη περίπτωση τα αντικείμενα που θέλει να μετακινήσει το

ρομπότ, τα πιάνει, τα σηκώνει και τα αφήνει σε μια νέα θέση. Επίσης, για να γίνει

μεταφορά πρέπει να υπάρχει βραχίονας με λαβή.

Οι βραχίονες συνήθως έχουν έξι αρθρώσεις και αυτό γίνεται για να μπορεί το άκρο τους να

φτάσει σε οποιοδήποτε σημείο του χώρου. Ένα βραχίονας για να λειτουργήσει πρέπει πρώτα

34

να προγραμματιστεί. Ο προγραμματισμός μπορεί να γίνει με δυο τρόπους, είτε κωδικοποιώντας

τις κινήσεις που πρέπει να εκτελέσει ο βραχίονας, είτε με το να μετακινήσει ο ίδιος ο χρήστης

τον βραχίονα με το χέρι του και έπειτα ο βραχίονας θα καταγράψει από μόνος του τις κινήσεις.

10.4.1.3 Αισθητήρες

Οι αισθητήρες είναι εξαρτήματα που μετατρέπουν τις φυσικές τιμές σε ηλεκτρικό σήμα και

πληροφορούν τη μονάδα ελέγχου του ρομπότ για τη κατάσταση του εξωτερικού περιβάλλοντος

του, αλλά και τη δική του κατάσταση. Για παράδειγμα στη μηχανική όραση ο αισθητήρας της

επεξεργασίας εικόνας μπορεί να είναι είτε κάμερα, είτε σονάρ. Άλλοι αισθητήρες που

χρησιμοποιούνται από τα ρομπότ είναι οι αισθητήρες μέτρησης δύναμης. Αυτοί οι αισθητήρες

προσαρμόζονται στις λαβες συλλογής αντικειμένου και μετρούν την πίεση της λαβής στο

αντικείμενο. Υπάρχουν επίσης ακόμη πιο εξειδικευμένοι αισθητήρες όπως οι αισθητήρες αφής,

οι οποίοι έχουν την δυνατότητα να αντιληφθούν την υφή των αντικειμένων. Επίσης σημαντικό

ρόλο παίζουν οι συσκευές αυτοαίσθησης, οι οποίες πληροφορούν το ρομπότ για τη θέση των

βραχιόνων του.

10.4.2 Είδη Ρομπότ

Τα είδη των ρομπότ μπορούν να διακριθούν σε τρεις κατηγορίες. Οι κατηγοριοποίηση

γίνεται με βάση των μορφολογικών τους χαρακτηριστικών. Οι κατηγορίες είναι:

Τα κατασκευαστικά

Τα μετακινούμενα

Τα ανθρωποειδή

10.4.2.1 Κατασκευαστικά Ρομπότ

Τα κατασκευαστικά ρομπότ είναι αυτά που χρησιμοποιούνται στη βιομηχανία για τη

κατασκευή ή συναρμολόγηση αντικειμένων. Όπως π.χ αυτοκίνητα, αεροπλάνα κ.τ.λ. Τα

περισσότερα από αυτά εκτελούν απλές, τυποποιημένες εργασίες όπως συγκόλληση, βαφή,

συναρμολόγηση, παλετοποίηση κ.α. Οι ενέργειες που εκτελούν είναι προκαθορισμένες και

λειτουργούν σε περιβάλλον γνωστό, στο οποίο δεν μπορούν να πάρουν κάποια ιδιαίτερη

απόφαση ή να επιδείξουν ιδιαίτερη ευφυΐα. Γι’ αυτό το λόγο δεν θεωρούνται σαν εφαρμογή της

τεχνητής νοημοσύνης.

35

10.4.2.2 Μετακινούμενα Ρομπότ

Τα μετακινούμενα ρομπότ είναι αυτά τα οποία μετακινούνται ελευθέρα μέσα σε κάποιο

χώρο και εκτελούνε εργασίες όπως τακτοποίηση του χώρου, διανομή αντικειμένων, εξερεύνηση

αγνώστων περιοχών κ.τ.λ. Τέτοια είδη ρομπότ έχουν χρησιμοποιηθεί στην εξερεύνηση του

διαστήματος , αλλά και επίγειες διεργασίες, οι οποίες δεν είναι προσπελάσιμες από ανθρώπους.

Τα μετακινούμενα ρομπότ λειτουργούν με δυο τρόπους:

1. τηλεχειρισμό: έχουν έναν χειριστή, ο οποίος τα καθοδηγεί και αυτά

συλλέγουν δεδομένα από τους αισθητήρες τους. Αυτά τα ρομπότ, χρησιμοποιούνται

συνήθως σε επικίνδυνο περιβάλλον για τον άνθρωπο. Η ευφυΐα που παρουσιάζουν

αυτά τα ρομπότ είναι περιορισμένη έως και καθόλου.

2. αυτόνομα : διαθέτουν συστήματα σχεδιασμού ενεργειών, τα οποία

λαμβάνουν υπόψη τους τη κατάσταση του περιβάλλοντος μέσω των αισθητήρων και

αποφασίζουν ποιες θα είναι οι επόμενες ενέργειες του ρομπότ. Τέτοια ρομπότ,

χρησιμοποιούν σε μεγάλο βαθμό τη τεχνητή νοημοσύνη

10.4.2.3 Ανθρωποειδή Ρομπότ

Τα ανθρωποειδή ρομπότ είναι τα αυτόνομα αυτοκινούμενα ρομπότ που όμως έχουν

εμφάνιση ανθρώπου. Το σκεπτικό για τη κατασκευή τέτοιων ρομπότ είναι ότι από τη στιγμή που

η τεχνητή νοημοσύνη προσπαθεί να προσομοιώσει τη λογική και τη σκέψη του ανθρώπου, γιατί

να μην επεκταθεί η αντιγραφή και στην προσομοίωση των κινήσεων του ανθρώπου. Ήδη έχουν

κατασκευαστεί ανθρωποειδή ρομπότ, τα οποία εκτελούν συγκεκριμένες εργασίες, όπως να

οδηγούν ένα αυτοκίνητο.

11 Νοήμονες Πράκτορες

Οι νοήμονες πράκτορες (intelligent agents) είναι ένας από τους πιο πρόσφατους και

ενδιαφέρον κλάδους της τεχνητής νοημοσύνης. Ένας πράκτορας είναι μια οντότητα που μπορεί

να αντιλαμβάνεται το περιβάλλον μέσα στο οποίο βρίσκεται με τη βοήθεια αισθητήρων, κάνει

συλλογισμούς για το περιβάλλον και δρα πάνω σε αυτό με τη βοήθεια μηχανισμών δράσης για

την επίτευξη κάποιων στόχων.

Ένας πράκτορας έχει αυτονομία η οποία είναι και το κοινό σημείο όλων των ειδών των

πρακτόρων και έχει νοημοσύνη σε κάποιο βαθμό. Οι πράκτορες αποτελούν την πλέον

ανθρωπόμορφη μορφή λογισμικού. Ο πράκτορας στην ουσία παρεμβαίνει ανάμεσα στο

περιβάλλον και το χρήστη. Το περιβάλλον μπορεί να είναι είτε υπολογιστικό είτε φυσικό. Το

36

αποτέλεσμα θα είναι ο χρήστης να μην επικοινωνεί απευθείας με κάποια εφαρμογή, αλλά θα

χρησιμοποιεί ένα πράκτορα που θα τον διευκολύνει σε χρονοβόρες διαδικασίες, διαδικασίες

ρουτίνας, διαδικασίες που χρειάζονται κάποια ικανότητα που ο χρήστης δεν την έχει. Οι

πράκτορες χρησιμοποιούνται σε πολλές εφαρμογές όπως η παροχή υπηρεσιών βοήθειας, η

αναζήτηση πληροφοριών στο διαδικτυο, η οργάνωση καθημερινού προγράμματος κλπ.

Σχήμα 6: Διασύνδεση χρήστη-προγράμματος μέσο πρακτόρων

11.1 Ταξινόμηση Πρακτόρων

Οι πράκτορες μπορούν να διαχωριστούν σε δυο μεγάλες κατηγόριες: Τους βιολογικούς και

τους τεχνητούς πράκτορες (σχήμα 7).

Σχήμα 7: Ταξινόμηση των πρακτόρων

11.1.1 Οι Βιολογικοί ΠράκτορεςΟι βιολογικοί πράκτορες χρησιμοποιούν τις αισθήσεις τους για να αντιληφθούν το γύρω

κόσμο, τις γνώσεις τους για να βγάλουν συμπεράσματα γι αυτόν και τα μέρη του σώματός τους

για να εφαρμόσουν τις ενέργειες.

37

11.1.2 Οι τεχνικοί ΠράκτορεςΟι τεχνικοί πράκτορες λειτουργούν με παρόμοιο τρόπο και χωρίζονται σε δυο

υποκατηγορίες :

o Τους ρομποτικούς πράκτορες οι οποίοι έχουν σαν αισθητήρες και μηχανισμούς

δράσης μηχανικά ή ηλεκτρονικά μέρη και δρουν στον πραγματικό κόσμο.

o Τους λογισμικούς πράκτορες οι οποίοι είναι προγράμματα και ζουν σε ένα

υπολογιστικό σύστημα.

11.2 Χαρακτηριστικά Πρακτόρων

Τα κύρια χαρακτηριστικά ενός νοήμων πράκτορα αποτελούν και τις βασικές διαφορές

μεταξύ των πρακτόρων και προγραμμάτων. Κάθε πράκτορας είναι ένα σύστημα υλικού η

λογισμικού που έχει τις παρακάτω ιδιότητες :

o Αυτονομία : Οι πράκτορες λειτουργούν χωρίς την άμεση παρέμβαση των

χρηστών ή άλλων πρακτόρων και έχουν αυτοέλεγχο και αυτενέργεια. Αυτά έχουν

σαν αποτέλεσμα ο χρήστης να προσδιορίζει μόνο το γενικό στόχο και να μη

χρειάζεται να παίρνει επιμέρους αποφάσεις για τον πράκτορα.

o Κοινωνικότητα : Οι πράκτορες επικοινωνούν με άλλους πράκτορες και

χρήστες μέσω μιας κοινής γλώσσας έτσι ώστε να μπορούν να συνεργαστούν για την

επίτευξη των στόχων τους.

o Αντιδραστικότητα : Οι πράκτορες αντιλαμβάνονται το περιβάλλον και

αντιδρούν μέσα σε συγκεκριμένα χρονικά πλαίσια στις αλλαγές που επέρχονται σε

αυτό.

o Προνοητικότητα : Οι πράκτορες δεν αντιδρούν απλά στο περιβάλλον αλλά

είναι ικανοί να παίρνουν πρωτοβουλίες ανάλογα με τις συνθήκες που εμφανίζονται

στο περιβάλλον τους. Η Προνοητικότητα και η Αντιδραστικότητα απαιτούν

δυνατότητα συλλογισμού απ’ τον πράκτορα.

Υπάρχουν και μερικά δευτερεύοντα χαρακτηριστικά:

o Κινητικότητα : Οι πράκτορες δεν είναι πάντα στατικοί αλλά μπορούν να

κινηθούν.

o Προσαρμοστικότητα : Οι πράκτορες προσαρμόζονται διαρκώς στο

περιβάλλον τους ή στις απαιτήσεις του χρήστη.

o Ειλικρίνεια : Οι πράκτορες δεν δίνουν εσκεμμένα λάθος πληροφορίες.

o Αγαθή Προαίρεση : Οι πράκτορες προσπαθούν να επιτύχουν πάντα τους

στόχους τους.

38

o Λογικότητα : Οι πράκτορες δεν κάνουν αναίτιες ενέργειες και δεν

λειτουργούν ενάντια της επίτευξης των στόχων τους.

11.3 Μοντέλα Πρακτόρων

Ο πράκτορας μπορεί να δράσει σε ορισμένο περιβάλλον. Η κατηγοριοποίηση των

περιβαλλόντων είναι η εξής:

o Προσβάσιμα ή Μη Προσβάσιμα: Ανάλογα με το εάν υπάρχει διαθέσιμη, ακριβή,

πλήρης πληροφορία

o Αιτιοκρατικά ή Μη αιτιοκρατικά: Ανάλογα με το εάν μία συγκεκριμένη ενέργεια έχει

πάντα συγκεκριμένα αποτελέσματα.

o Επεισοδιακά ή Μη επεισοδιακά: Ανάλογα με το αν το περιβάλλον χωρίζεται ή όχι σε

διακριτά και ανεξάρτητα επεισόδια. Οι ενέργειες του πράκτορα σε ένα επεισόδιο δεν

έχουν επίδραση στα υπόλοιπα επεισόδια.

o Δυναμικά ή Στατικά: Ανάλογα με το εάν εμφανίζονται αλλαγές χωρίς την παρέμβαση

του πράκτορα.

o Διακριτά ή Συνεχή: Ανάλογα με το εάν υπάρχει ή όχι ένας πεπερασμένος αριθμός

ενεργειών και δεδομένων στο μηχανισμό αντίληψης του πράκτορα.

11.4 Γενικές Αρχιτεκτονικές Πρακτόρων

Οι βασικές αρχιτεκτονικές πρακτόρων διακρίνονται σε εκείνη των νοήμων πρακτόρων με

κύριο χαρακτηριστικό την ύπαρξη εσωτερικής συμβολικής αναπαράστασης του κόσμου στον

οποίο δρα ο πράκτορας και εκείνης των αντιδραστικών πρακτόρων οι οποίοι δεν έχουν

εσωτερική αναπαράσταση του κόσμου στον οποίο δρουν. Οι συγκεκριμένοι πράκτορες

αντιδρούν μέσο ενός συνόλου κανόνων στα ερεθίσματα του περιβάλλοντος τους.

11.4.1 Πράκτορες με Εσωτερική Κατάσταση

Οι πράκτορες με εσωτερική κατάσταση (Σχήμα 8) περιέχουν μια εσωτερική συμβολική

αναπαράσταση του περιβάλλοντος του οποίου βρίσκονται και ένα σύνολο κανόνων βάση του

οποίου καθορίζουν την επόμενη ενέργεια τους.

Στην κατηγορία αυτή ανήκουν οι πράκτορες οι οποίοι διατηρούν μια εσωτερική

αναπαράσταση του περιβάλλοντος τους και χρησιμοποιώντας κλασσικές συλλογιστικές και

τεχνικές που προσπαθούν να επιτύχουν τους στόχους τους. Οι πράκτορες της κατηγορίας

αυτής έχουν μια βάση γνώσης στην οποία διατηρούν την αντίληψη τους για τον πραγματικό

39

κόσμο με την μορφή λογικών προτάσεων και ένα σύνολο από κανόνες οι οποίοι αναπαριστούν

τις ενέργειες που μπορεί να εκτελέσει ο πράκτορας.

Κύριο πλεονέκτημα της κατηγορίας αυτής είναι ότι οι μέθοδοι και οι τεχνικές που

χρησιμοποιούνται έχουν καθορισμένη και απλή σημασιολογία.

Σχήμα 8: Μοντέλο πράκτορα με εσωτερική κατάσταση

11.4.2 Αντιδραστικοί Πράκτορες

Οι αντιδραστικοί πράκτορες (Σχήμα 9) δεν έχουν εσωτερική αναπαράσταση του κόσμου

στην οποία βασίζουν τη συλλογιστικοί τους. Η συμπεριφορά τους βασίζεται σε μια φιλοσοφία

ερεθίσματος – αντίδρασης στην κατάσταση του περιβάλλοντος του οποίου βρίσκονται. Οι

πράκτορες της κατηγορίας αυτής παίρνουν δεδομένα από το περιβάλλον και σύμφωνα με τους

κανόνες λειτουργίας τους αποφασίζουν ποια είναι η ενέργεια που πρέπει να προβούν. Τα

μειονεκτήματα των πρακτόρων με εσωτερική κατάσταση οδήγησαν στην δημιουργία των

αντιδραστικών πρακτόρων.

Οι αντιδραστικοί πράκτορες αντιπροσωπεύουν μια εναλλακτική ιδέα της τεχνητής

νοημοσύνης, η οποία θεωρεί ότι η ευφυής συμπεριφορά τον τεχνιτών συστημάτων θα προκύψει

από το συνδυασμό απλών μερών που αλληλεπιδρούν μεταξύ του. Αντίθετα η κλασσική ιδέα

θεωρεί ότι τα ευφυή συστήματα είναι οπωσδήποτε συστήματα τα οποία επεξεργάζονται και

κάνουν συλλογισμούς χρησιμοποιώντας σύμβολα.

40

Σχήμα 9: Μοντέλο αντιδραστικού πράκτορα

11.4.3 Υβριδικοί Πράκτορες

Οι υβριδικοί πράκτορες είναι ο συνδυασμός των πρακτόρων εσωτερικής κατάστασης και

των αντιδραστικών πρακτόρων. Σε μια τέτοια αρχιτεκτονική υπάρχουν τουλάχιστον δυο

επίπεδα. Ένα υπεύθυνο για την αντιδραστική συμπεριφορά του πράκτορα και ένα για τη

συμπεριφορά με εσωτερική κατάσταση. Υπάρχει ένας έλεγχος ροής στους αισθητήρες και

μπορεί να είναι είτε οριζόντιος είτε κάθετος. Στον οριζόντιο όλα τα επίπεδα είναι συνδεδεμένα

στους αισθητήρες εισόδου και στους μηχανισμούς δράσης. Στον κάθετο ένα επίπεδο είναι

συνδεδεμένα στους αισθητήρες εισόδου και στους μηχανισμούς δράσης.

11.4.4 Κινητοί Πράκτορες

Οι κινητοί πράκτορες έχουν το κυρίαρχο γνώρισμα να μετακινούνται μέσα σε ένα δικτυακό

περιβάλλον για να επιτύχουν τους στόχους τους. Αυτό που κάνουν δηλαδή είναι διεργασίες οι

οποίες κατά την διάρκεια της εκτέλεσης τους μεταφέρονται στους υπολογιστές που

συμμετέχουν στο συγκεκριμένο δικτυακό περιβάλλον, το οποίο μπορεί να είναι κάποιο τοπικό

δίκτυο ή ένα δίκτυο ευρείας περιοχής (Wan) όπως για παράδειγμα το Διαδυκτίου (internet).

Έχουν επίσης την δυνατότητα να επικοινωνούν με άλλους πράκτορες και με άλλες πηγές

πληροφορίας.

Έστω πως γίνεται ανάθεση σε έναν κινητό πράκτορα η αναζήτηση ξενοδοχείου για κάποιο

προορισμό που να ικανοποιεί κάποιους περιορισμούς, όπως τιμή δωματίου, συγκεκριμένες

ημερομηνίες, τοποθεσία κλπ.

Ένας κινητός πράκτορας θα μεταφερόταν στον υπολογιστή όπου είναι η βάση δεδομένων,

θα έκανε όλες τις αναζητήσεις και τα απαραίτητα φιλτραρίσματα και στη συνέχεια θα

μεταφερόταν στην επόμενη βάση δεδομένων επαναλαμβάνοντας την διαδικασία. Τέλος θα

επέστρεφε στον υπολογιστή του χρηστή και θα του παρουσίαζε τα αποτελέσματα της

αναζήτησης. Αυτή η διαδικασία μειώνει στο ελάχιστο το κόστος επικοινωνίας καθώς δεν

41

απαιτείται συνεχής σύνδεση του υπολογιστή του χρήστη με το δίκτυο, παρά μόνο κατά την

αναχώρηση και την άφιξη του πράκτορα. Επιπλέον όλες οι συναλλαγές μεταξύ των βάσεων

δεδομένων και του πράκτορα γίνονται σε τοπικό επίπεδο. Μειώνεται δηλαδή ο όγκος

δεδομένων που μεταφέρονται μέσο του διαδίκτυου. Επίσης υπάρχει μεγαλύτερη αξιοπιστία

καθώς η λειτουργία του συνολικού συστήματος γίνεται ανεξάρτητα από την διαθεσιμότητα του

δικτύου. Ακόμη ένα πλεονέκτημα είναι πως μετά την αποστολή του πράκτορα το σύστημα του

χρήστη μπορεί να συνεχίσει την εκτέλεση άλλων λειτουργιών.

Ένα από τα κύρια προβλήματα που αντιμετωπίζονται στην ανάπτυξη των κινητών

πρακτόρων είναι αυτό της ασφάλειας, τόσο του ίδιου του πράκτορα όσο και του συστήματος

που θα το φιλοξενήσει. Θα πρέπει να εξασφαλιστεί το γεγονός ότι ο κώδικας του πράκτορα δε

θα αλλοιωθεί κατά την εκτέλεση του σε έναν τόπο και κατά την μεταφορά του από και προς

αυτόν. Ένα ακόμη μειονέκτημα είναι το κόστος μεταφοράς του πράκτορα και ο έλεγχος της

εκτέλεσης των κινητών πρακτόρων είναι δύσκολος διότι δεν είναι πάντα εύκολο να καθοριστεί

που βρίσκεται ο πράκτορας και ποια είναι η τρέχουσα κατάσταση.

11.4.5 Πολυπρακτορικά Συστήματα

Ένα πολυπρακτορικό σύστημα είναι ένα σύνολο πρακτόρων που αλληλεπιδρούν, δηλαδή

συνεργάζονται, συνεννοούνται, διαπραγματεύονται κλπ. Αποτελούν βασικό τομέα της

κατανεμημένης τεχνητής νοημοσύνης. Η κατανεμημένη επίλυση προβλημάτων ασχολείται με το

πώς ένα συγκεκριμένο πρόβλημα μπορεί να επιλυθεί από ένα αριθμό οντοτήτων που

συνεργάζονται μοιράζοντας γνώση για το πρόβλημα καθώς και για τις λύσεις του. Ουσιαστικά,

τα πολυπρακτορικά συστήματα είναι ένα δίκτυο από πράκτορες που δρουν μαζί για να

επιλύσουν προβλήματα που είναι πέρα των δυνατοτήτων και τις γνώσεις ενός μόνο πράκτορα.

Ένα τέτοιο σύστημα μπορεί να έχει σαν στόχους:

o Την επίλυση προβλημάτων που είναι πολύπλοκα για να επιλυθούν από ένα μόνο

πράκτορα.

o Την επίλυση προβλημάτων τα οποία είναι από την φύση τους κατανεμημένα.

o Τη διασύνδεση και λειτουργία ήδη υπαρχόντων συστημάτων έτσι ώστε να είναι

εύκολη η εκμετάλλευση τους.

42

Σχήμα 10: Πολυπρακτορικό σύστημα και επικοινωνία πρακτόρωνΣτα πολυπρακτορικα συστήματα, οι πράκτορες είτε εργάζονται αυτόνομα ανταλλάσσοντας

πληροφορίες, είτε συνεργάζονται επιλύνοντας υποπροβλήματα έτσι ώστε ο συνδυασμός των

λύσεων που θα προκύψουν να αποτελέσει την τελική λύση.

Κύριο χαρακτηριστικό των συνεργαζόμενων πρακτόρων είναι η συνεργασία μέσο κάποιας

γλώσσας επικοινωνίας έτσι ώστε να φτάσουν σε κοινά αποδεκτές συμφωνίες και να επιλύσουν

συγκρούσεις.

Άλλα χαρακτηριστικά ενός πολυπρακτορικού συστήματος είναι πως κανένας πράκτορας

δεν έχει πλήρη πληροφορία, πως δεν υπάρχει κεντρικός έλεγχος στο σύστημα, τα δεδομένα

είναι κατανεμημένα και οι υπολογισμοί γίνονται με ασύγχρονο τρόπο.

Ένα από τα κύρια προβλήματα τον πολυπρακτορικών συστημάτων έχει να κάνει κυρίως με

τον παραλληλισμό στην επικοινωνία μεταξύ των πρακτόρων.

11.5 Εφαρμογές Πρακτόρων

Αν και η τεχνολογία της εφαρμογής στα συστήματα πρακτόρων είναι ακόμη σε πρώιμο

στάδιο, έχει εφαρμοστεί με επιτυχία σε πλήθος βιομηχανικών και εμπορικών εφαρμογών, όπως

για παράδειγμα ο έλεγχος μεταφοράς ηλεκτρικής ενέργειας, ο έλεγχος των γραμμών

παραγωγής κλπ. Κάποιες από τις εφαρμογές είναι οι εξής:

o Έλεγχος εναέριας κυκλοφορίας: Το σύστημα OASIS είναι ένα πολυπρακτορικο

σύστημα στο οποίο τα αεροσκάφη και τα διάφορα συστήματα ελέγχου

αναπαρίστανται από πράκτορες. Σε κάθε αεροσκάφος που μπαίνει στη ζώνη του

αεροδρομίου ανατίθεται ένας πράκτορας ο οποίος αποκτά τους στόχους και γνωρίζει

όλες τις πληροφορίες που αφορούν ένα αεροσκάφος, δηλαδή σε ποιο αεροδρόμια

43

σκοπεύει να προσγειωθεί, ποιος είναι ο τύπος του κλπ. Οι πράκτορες που είναι στα

συστήματα έλεγχου εναέριας πληροφορίας είναι υπεύθυνοι για το συντονισμό και την

διαχείριση ολόκληρου συστήματος.

o Πράκτορες διαδυκτίου: Ο μεγάλος όγκος πληροφοριών με τον οποίο βρίσκονται

αντιμέτωποι οι χρηστές διαδυκτίου ήταν το κύριο πρόβλημα που οδήγησε στην

εφαρμογή πρακτόρων. Οι πράκτορες της κατηγορίας αυτής έχουν στόχο να

φιλτράρουν την εισερχόμενη πληροφορία και να αναζητούν στο διαδικτυο

πληροφορίες που αφορούν ειδικότερα ενδιαφέροντα του χρήστη. Κύριο

χαρακτηριστικό τους είναι ότι μαθαίνουν τις προτιμήσεις και τα ενδιαφέροντα του

κάθε χρήστη χρησιμοποιώντας μεθόδους μηχανικής μάθησης.

o Πράκτορες διεπαφής: Αποτελούν προσωπικούς βοηθούς του χρήστη και

χαρακτηριστικό τους είναι ότι μαθαίνουν τις ιδιαίτερες προτιμήσεις του και τον

βοηθούν στην χρήση προγραμμάτων. Ένα τέτοιο παράδειγμα είναι ο συνδετήρας

του προγράμματος Word.

Ο κατάλογος των εφαρμογών των συστημάτων βασισμένων σε πράκτορες

περιλαμβάνει επίσης εφαρμογές στην παρακολούθηση ασθενών, σε παιχνίδια, στην

προσομοιώσει, στο ηλεκτρονικό εμπόριο κλπ. Είναι βέβαιο ότι η τεχνολογία των

πρακτόρων θα αναπτυχθεί ακόμη περισσότερο και θα επηρεάσει σε πολύ μεγάλο

βαθμό όλα τα πεδία των εφαρμογών πληροφορικής.

12 Έμπειρα Συστήματα

Έμπειρα συστήματα είναι προγράμματα υπολογιστή τα οποία επιδεικνύουν νοήμονα

συμπεριφορά σε συγκεκριμένους τομείς, ανάλογα με ενός ανθρώπου εμπειρογνώμονα με

ειδικότητα σε ένα συγκεκριμένο τομέα.

Μερικά από αυτά τα έμπειρα συστήματα εξειδικεύονται σε λειτουργίες όπως για

παράδειγμα:

Έξυπνα λογιστικά φύλλα εργασίας

Βοηθοί χρονοπρογραμματισμού

Έξυπνα προγράμματα παρακολούθησης ασθενών

Κριτική θεραπείας

Οικονομικοί σύμβουλοι κ.τ.λ

44

Ένα έμπειρο σύστημα ανεξάρτητα από το σκοπό για τον οποίο το χρησιμοποιούμε απαιτεί

εμπειρική γνώση. Η εμπειρία δεν είναι μόνο η γνώση ή η εκπαίδευση σε ένα συγκεκριμένο

τομέα εργασίας, αλλά περιλαμβάνει ένα σύνολο εξειδικευμένων ικανοτήτων.

Έτσι, θα μπορούσαμε να πούμε πως ένα έμπειρο σύστημα είναι ένα πρόγραμμα

υπολογιστή, το οποίο κωδικοποιεί και χειρίζεται τη γνώση και τη συλλογιστική ενός ανθρώπου

ειδικού σε ένα εξειδικευμένο τομέα και με σκοπό την επίλυση προβλημάτων ή την παροχή

συμβουλών.

Τα έμπειρα συστήματα μπορούν να χρησιμοποιηθούν από κάποιον άνθρωπο μη ειδικό που

θα του παρέχει λύσεις σε συγκεκριμένα προβλήματα, αντικαθιστώντας έτσι τον άνθρωπο –

ειδικό. Επίσης, υπάρχει και ένας δεύτερος τρόπος χρήσης του έμπειρου συστήματος που είναι

συμβουλευτικός. Ένας άνθρωπος ειδικός, στην απόφαση που καλείται να πάρει, συμβουλεύεται

και το έμπειρο σύστημα παίρνοντας με αυτό τον τρόπο καλύτερες αποφάσεις. Στην ουσία το

χρησιμοποιεί σαν βοηθό.

Η ανάπτυξη της τεχνολογίας των έμπειρων συστημάτων έχει εφαρμοστεί με επιτυχία σε

μεγάλο εύρος επιστημών, όπως: χημεία, γεωλογία, οικονομία, ιατρική, εκπαίδευση κ.α. Κάποιες

τυπικές εφαρμογές είναι οι ακόλουθες:

Ερμηνεία δεδομένων (π.χ ηλεκτρομαγνητικών σημάτων).

Διάγνωση δυσλειτουργιών (π.χ βλαβών σε μηχανήματα).

Δομική ανάλυση σύνθετων αντικειμένων (π.χ χημικών ενώσεων).

Διαμόρφωση σύνθετων αντικειμένων (π.χ πολύπλοκων υπολογιστικών

συστημάτων).

12.1 Ανάπτυξη και Λειτουργία Έμπειρου Συστήματος

Στο παρακάτω σχήμα (σχήμα 11) βλέπουμε την ανάπτυξη και τη λειτουργία ενός

έμπειρου συστήματος.

45

Σχήμα 11: Ανάπτυξη και λειτουργία ενός έμπειρου συστήματος

Στο πρώτο βήμα για την ανάπτυξη του έμπειρου συστήματος πρέπει να συνεργαστούν ένας

άνθρωπος – ειδικός στο τομέα και ένας μηχανικός γνώσης. Ο ειδικός είναι κάποιος άνθρωπος

εξειδικευμένος σε έναν τομέα της ανθρώπινης δραστηριότητας, η γνώση του οποίου θα

μεταφερθεί στο σύστημα. Ο μηχανικός γνώσης είναι ένας επιστήμονας πληροφορικής

ειδικευμένος σε θέματα τεχνητής νοημοσύνης και έμπειρων συστημάτων. Ο μηχανικός

συνεργάζεται με τον ειδικό με σκοπό τη λήψη της εμπειρίας – γνώσης του. Έπειτα, ο μηχανικός

σχεδιάζει το σύστημα και την δομή της γνώσης και στη συνέχεια τα αναπτύσσει.

Αυτό το ολοκληρωμένο έμπειρο σύστημα χρησιμοποιείται από τον χρήστη, ο οποίος δεν

είναι απαραίτητο να είναι σχετικός με την επιστήμη των υπολογιστών ή να είναι γνωστής του

τομέα του έμπειρου συστήματος. Γι αυτό το λόγο το έμπειρο σύστημα πρέπει να είναι φιλικό και

εύχρηστο προς τον χρήστη. Ο τομέας της τεχνητής νοημοσύνης που ασχολείται με την

ανάπτυξη έμπειρων συστημάτων ονομάζεται τεχνολογία της γνώσης (knowledge engineering)

12.2 Χαρακτηριστικά Έμπειρων Συστημάτων

46

Μερικά χαρακτηριστικά που πρέπει να έχουν τα έμπειρα συστήματα είναι τα ακόλουθα:

επεξήγηση και αιτιολόγηση της πορείας συλλογισμού: Δηλαδή, τα έμπειρα συστήματα πρέπει να

επεξηγούν τη συλλογιστική πορεία που ακολούθησαν για την εύρεση της λύσης στην οποία

κατέληξαν. Μια απλή αναφορά της λύσης δεν είναι αποδεκτή, αλλά πρέπει να τεκμηριώνεται με

τον ίδιο τρόπο που ένας άνθρωπος θα τεκμηρίωνε την δική του απόφαση.

Δυναμικότηταa: Η γνώση, δεν παραμένει σταθερή, αλλά αλλάζει διαρκώς οπότε θα πρέπει

να υπάρχουν μηχανισμοί για την τροποποίηση της υπάρχουσας γνώσης, είτε προσθέτοντας

καινούριας, είτε αφαιρώντας λανθασμένη γνώση ώστε το σύστημα να συμβαδίζει με τη

παρούσα φάση που βρίσκεται η γνώση της επιστήμης.

Ταχύτητα απόκρισης: Είναι σημαντικό τα έμπειρα συστήματα να καταλήγουν σε

αποτέλεσμα πολύ γρήγορα ή τουλάχιστον σε χρόνο όσο θα έκανε και ένας άνθρωπος ειδικός

στο να πάρει απόφαση. Δε θα είχε κανένα νόημα να φτάνει σε μια λύση και να τη τεκμηριώνει

όταν αργεί παρά πολύ να το πετύχει αυτό.

Διαφάνεια του κώδικα: Τα έμπειρα συστήματα χρησιμοποιούν σαν κώδικα μια σαφή

περιγραφή του προβλήματος με το οποίο ασχολούνται.

Χειρισμός αβέβαιης ή ελλιπούς γνώσης : Υπάρχουν προβλήματα για τα οποία δεν είναι

διαθέσιμη όλη η γνώση που απαιτείται για να επιλυθούν, οπότε το έμπειρο σύστημα θα πρέπει

να μπορεί να επεξεργαστεί γνώση που είναι ασαφής ή ελλιπής. Όπως ένας άνθρωπος σε μια

τέτοια περίπτωση θα έπαιρνε μια απόφαση στηριζόμενος στη διαθέσιμη γνώση.

12.3 Διαφορές Μεταξύ Έμπειρων Συστημάτων και Συμβατικών Προγραμμάτων

47

Πίνακας 1: Διαφορές έμπειρων συστημάτων και συμβατικών προγραμμάτων

Τα βασικότερα σημεία διαφοροποίησης συνοψίζονται στον παραπάνω πίνακα

(πίνακας 1) :

Τα έμπειρα συστήματα προσομοιώνουν την ανθρώπινη συλλογιστική πάνω σε

ένα πρόβλημα του τομέα γνώσης αντί να προσομοιώνουν το ίδιο το πρόβλημα. Τα

συμβατικά προγράμματα χρησιμοποιούν μαθηματικά μοντέλα για να την επίλυση ενός

προβλήματος. Με λίγα λόγια, το έμπειρο σύστημα προσπαθεί να ακολουθήσει την

διαδικασία που ακολουθεί ένας ειδικός όταν επιλύει ένα πρόβλημα.

Τα έμπειρα συστήματα κάνουν συλλογισμούς χρησιμοποιώντας συμβολικές

αναπαραστάσεις της ανθρώπινης γνώσης. Εκτός από την εκτέλεση αριθμητικών

υπολογισμών.

Τα έμπειρα συστήματα λύνουν τα προβλήματα με ευριστικές μεθόδους που σε

αντίθεση με τους αλγόριθμους που χρησιμοποιούνται στα συμβατικά προγράμματα δεν

έχουν βέβαιη επιτυχία. Η χρήση των ευριστικών μεθόδων βοηθάει το σύστημα στη

γρήγορη εύρεση μιας λύσης που όμως δεν είναι απαραίτητα η καλύτερη.

Η γνώση που χρησιμοποιούν τα έμπειρα συστήματα είναι αποθηκευμένη στη

βάση γνώσης, ενώ τα συμβατικά προγράμματα χρησιμοποιούν μια βάση δεδομένων. Οι

βάσεις δεδομένων περιέχουν συνήθως μεγάλο όγκο δεδομένων, τα οποία από μόνα τους

48

δεν έχουν καμία έννοια. Η βάση γνώσης αποτελεί και αυτή μια συνάθροιση γνώσης, αλλά

εκτός από τα μεμονωμένα γεγονότα και αντικείμενα περιέχει και αρχές οργάνωσης αυτών

και γνώσης για την εξαγωγή συμπερασμάτων.

Τέλος, σε αντίθεση με τα συμβατικά προγράμματα τα έμπειρα συστήματα

εκφράζουν ικανοποιητικά μερικά χαρακτηριστικά του ανθρώπινου συλλογισμού, όπως το

να χειρίζονται ασαφή, αβέβαιη και μη πλήρης γνώση καθώς επίσης και δυνατότητα

επεξήγησης της πορείας του συλλογισμού.

12.4 Διαφορές Μεταξύ Έμπειρων Συστημάτων και Ανθρώπων Ειδικών

Στον πίνακα (πίνακας 2) βλέπουμε πλεονεκτήματα και μειονεκτήματα ενός έμπειρου

συστήματος σε σχέση με έναν άνθρωπο ειδικό.

Πίνακας 2: Πλεονεκτήματα και μειονεκτήματα ενός έμπειρου συστήματοςσε σχέση με έναν άνθρωπο ειδικό.

49

Η γνώση ενός έμπειρου συστήματος, σε όποιον την χρειάζεται, είναι μόνιμη και πάντα

διαθέσιμη. Αντίθετα η γνώση του ανθρώπου ειδικού είναι διαθέσιμη μόνο όταν αυτός είναι

παρόν.

Το έμπειρο σύστημα μπορεί εύκολα να μεταφέρει την γνώση του σε ένα άλλο σύστημα,

αντίθετα με τη γνώση του ανθρώπου ειδικού του οποίου η μεταφορά γνώσης του σε έναν άλλο

άνθρωπο μπορεί να γίνει μόνο με την εκπαίδευση, πρακτική χρονοβόρα. Επίσης η αποτύπωση

ενός προβλήματος μπορεί εύκολα να γίνει από το έμπειρο σύστημα μέσο μιας οθόνης ή

εκτύπωσης του. Αντίθετα με τον άνθρωπο που πρέπει να επεξηγήσει τις αποφάσεις του

προφορικά ή γραπτά, επίσης χρονοβόρα και σύνθετη διαδικασία.

Ένα έμπειρο σύστημα, αν τα δεδομένα που τροφοδοτείτε είναι τα ίδια και ίδιο το πρόβλημα,

τότε θα καταλήγει πάντα στην ίδια απόφαση. Αντίθετα ένας άνθρωπος μπορεί να επηρεασθεί

από ψυχολογικούς ή συναισθηματικούς λόγους και να απόκλιση από μια απόφαση που θα

έβγαζε κάτω από άλλες συνθήκες.

Το έμπειρο σύστημα μπορεί να εργαστεί κάτω από οποιεσδήποτε συνθήκες, ακατάπαυστα

και με την ίδια απόδοση, σε αντίθεση με τον άνθρωπο που δε μπορεί να εργαστεί να το ίδιο

καλά όταν είναι κουρασμένος ή ακόμη κάτω από επικίνδυνες και αντίξοες συνθήκες.

Η απόφαση ενός ανθρώπου ειδικού είναι υποκειμενική αφού βασίζεται μόνο στην δικιά του

γνώση, αντίθετα σε ένα έμπειρο σύστημα, αν γνώση προέρχεται από πολλούς ειδικούς, θα

πάρει μια αντικειμενική απόφαση λαμβάνοντας υπόψη το σύνολο τον διαφορετικών γνώσεων.

Παρά τα τόσα πολλά πλεονεκτήματα τους, τα έμπειρα συστήματα δεν έχουν καταφέρει να

αντικαταστήσουν πλήρως τον άνθρωπο ειδικό. Συνήθως ο άνθρωπος ειδικός χρησιμοποιεί αυτά

τα συστήματα για αποφάσεις όπου η γνώση δεν είναι κατάλληλη ή είναι μη ακριβής, όπως

επίσης σε εργασίες απλές και επαναλαμβανόμενες.

Από την άλλη πλευρά, έχουν και οι άνθρωποι πλεονεκτήματα απέναντι στα έμπειρα

συστήματα. Ένα από αυτά είναι ότι τα έμπειρα συστήματα παρουσιάζουν έλλειψη έμπνευσης,

καθώς γνωρίζουν μόνο όσα ακριβός περιέχονται στην βάση δεδομένων τους και τίποτα

παραπάνω. Αντίθετα ο άνθρωπος ειδικός μπορεί να αντεπεξέλθει ακόμη και σε καταστάσεις

στις οποίες δεν είναι ειδικός έστω και όχι με την βέλτιστο αποτέλεσμα.

Ενώ ένα έμπειρο σύστημα είναι ικανό να λύσει πολύπλοκα προβλήματα, δεν είναι

εφοδιασμένο με την κοινή λογική. Αυτό τα οδηγεί στο να μην έχουν την ικανότητα να λύσουν

πολύ εύκολα καθημερινά προβλήματα.

Επίσης η επεξήγηση και η δικαιολόγηση της πορείας συλλογισμού ενός έμπειρου

συστήματος, γίνετε συνήθως μηχανικά. Θα ήταν καλύτερα να υπάρχει μια περισσότερο

λειτουργική και αιτιοκρατική πορεία συλλογισμού.

50

Τέλος, ένα έμπειρο σύστημα δε μπορεί να κάνει έλεγχο της γνώσης που του παρέχεται,

όπως επειδή δε μπορεί να κρίνει αν η γνώση του καλύπτει επαρκώς ολόκληρο το πεδίο που θα

βρει εφαρμογή αυτό το έμπειρο σύστημα.

12.5 Εφαρμογές Έμπειρων Συστημάτων

Οι πιο συνηθισμένες κατηγορίες που μπορεί να βρει εφαρμογή ένα έμπειρο σύστημα είναι

οι ακόλουθες:

Διάγνωση. Διάγνωση βλαβών ενός συστήματος με βάση παρατηρήσεων

και μετρήσεων.

Πρόγνωση. Πρόβλεψη πιθανών μελλοντικών επιπτώσεων με βάση

δεδομένες καταστάσεις.

Εκπαίδευση. Κατανόηση, αξιολόγηση και διόρθωση της απάντησης των

μαθητών σε εκπαιδευτικά προβλήματα.

Παρακολούθηση καταστάσεων. Σύγκριση παρατηρούμενων παραμέτρων

με αναμενόμενες καταστάσεις, με σκοπό να μελετηθεί η απόδοση.

Επιδιόρθωση βλαβών. Ανάπτυξη και εκτέλεση σχεδίων για την διαχείριση

βλαβών που έχουν διαγνωσθεί.

Ερμηνεία. Περιγραφή αντικειμένων και καταστάσεων με βάση δεδομένα

από παρατηρήσεις.

Διαμόρφωση. Διαμόρφωση εξαρτημάτων ενός συστήματος έτσι ώστε να

ικανοποιούνται συγκεκριμένες απαιτήσεις για την συναρμολόγηση τους.

Έλεγχος. Έλεγχος της συμπεριφοράς ενός συστήματος, ο οποίος μπορεί

να περιλαμβάνει τις λειτουργίες της διάγνωσης, της πρόγνωσης, της

παρακολούθησης καταστάσεων, σχεδιασμού και επιδιορθώσεις λαθών.

Παροχή συμβουλών. Εναλλακτικές προτάσεις για την λύση προβλημάτων,

λαμβάνοντας υπόψη συγκεκριμένες απαιτήσεις.

Μερικά από τα πρώτα έμπειρα συστήματα που αναπτύχθηκαν διεθνώς είναι τα Dendral,

Mycin, Prospector, Internist και Xcon.

12.6 Αρχιτεκτονική Έμπειρων Συστημάτων

Η αρχιτεκτονική ενός έμπειρου συστήματος εξαρτάται συνήθως από την πολυπλοκότητα

του προβλήματος το οποίο καλείται να λύσει. Σε απλά προβλήματα όπου η βάση γνώσης δεν

διασπάται σε μεγάλα και ανεξάρτητα τμήματα, η δομή και η λειτουργία του περιγράφεται στο

σχήμα 0 και την επόμενη παράγραφο.

51

12.6.1 Δομή και Λειτουργία

Ένα έμπειρο σύστημα αποτελείται συνήθως από μια ομάδα προγραμμάτων που μπορούν

να χωρισθούν σε δυο κατηγόριες, τον πυρήνα και τα βοηθητικά προγράμματα. (Σχήμα 12)

Ο πυρήνας αποτελείται από δύο μέρη: τη βάση γνώσης και το μηχανισμό εξαγωγής

συμπερασμάτων. Όπως βλέπουμε γίνεται διαχωρισμός της γνώσης από τον μηχανισμό

χειρισμού της και αυτό γίνεται για να μπορεί να γίνει εύκολα μια τροποποίηση στη βάση γνώσης

(πρόσθεση, αφαίρεση η τροποποίησης πληροφορίας). Είναι επίσης εύθικτο να μείνει ίδιος ο

μηχανισμός εξαγωγής συμπερασμάτων και με αλλαγή της βάσης γνώσης το σύστημα να κάνει

μια εντελώς διαφορετική λειτουργία. Ο πυρήνας του έμπειρου συστήματος αναπτύσσεται

συνήθως σε ένα προγραμματιστικό περιβάλλον το οποίο μπορεί να είναι μια γλώσσα

προγραμματισμού ή κάποιο εξειδικευμένο εργαλείο για την ανάπτυξη έμπειρων συστημάτων.

Τα βοηθητικά προγράμματα χρησιμοποιούνται για τη διασύνδεση και την επικοινωνία του

χρήστη με τον πυρήνα, για τον χειρισμό εξωτερικών δεδομένων, για τη συνεργασία με

περιφερειακά μηχανήματα π.χ. εκτυπωτής, σκάνερ κλπ.

Σχήμα 12: Δομή έμπειρου συστήματος

Στα επόμενα υποκεφάλαια θα αναλυθούν τα στοιχεία του πυρήνα.

52

12.6.1.1 Βάση Γνώσης

Η βάση γνώσης περιέχει όλη την εμπειρία και τη γνώση του συστήματος, όπως την

εκμαίευσε ο μηχανικός γνώσης από τον άνθρωπο – ειδικό κατά την διαδικασία ανάπτυξης του

έμπειρου συστήματος. Υπάρχουν διάφορες μορφές αναπαράστασης γνώσης. Η πιο συνήθης

μορφή αναπαράστασης γνώσης είναι οι κανόνες. Μια επίσης διαδεδομένη μορφή

αναπαράστασης γνώσης που μπορεί και να συνυπάρχει ή να συνεργάζεται με τους κανόνες

είναι τα πλαίσια. Η βάση γνώσης αποτελείται από δύο μέρη:

o Στατική βάση: είναι το πρώτο μέρος της βάσης γνώσης και περιέχει τις

αρχικές διαδικασίες, τους κανόνες και τα πλαίσια που περιγράφουν το πρόβλημα και

τις διαδικασίες επίλυσης τους. Ο όρος στατική υποδηλώνει ότι το τμήμα αυτό δεν

μεταβάλλεται κατά τη διάρκεια εκτέλεσης του προγράμματος.

o Δυναμική βάση: είναι το δεύτερο μέρος της βάσης γνώσης και περιέχει

δεδομένα και πλαίσια που περιγράφουν τη λύση του προβλήματος. Το τμήμα αυτό

ονομάζεται και χώρος εργασίας.

12.6.1.2 Μηχανισμός Εξαγωγής Συμπερασμάτων.

Ο μηχανισμός εξαγωγής συμπερασμάτων ανήκει στο τμήμα του πυρήνα και είναι υπεύθυνο

για το χειρισμό της βάσης γνώσης και εξαγωγής συμπερασμάτων από αυτήν. Η δομή του

εξαρτάται από την οργάνωση και τον τρόπο αναπαράστασης της γνώσης. Χωρίζεται σε δυο

μέρη:

o Διερμηνέας : ασχολείται με το χειρισμό της υπάρχουσας γνώσης και με την

παραγωγή νέας. Καταλήγει στα συμπεράσματα χρησιμοποιώντας συλλογιστικές και

τεχνικές χειρισμού αβεβαιότητας ή ασάφειας.

o Χρονοπρογραμματιστής : δουλειά του είναι να αποφασίζει πότε και με ποια σειρά

θα χρησιμοποιηθούν τα στοιχεία της βάσης γνώσης. Ένα πρόβλημα που παρουσιάζεται

είναι η σύγκριση των κανόνων και αυτό γίνεται όταν ικανοποιούνται ταυτόχρονα οι

συνθήκες τους. Λύση στο πρόβλημα αυτό δίνει ο χρονοπρογραμματιστής.

53

12.6.1.3 Διασύνδεση

Είναι υπεύθυνη για τη δημιουργία ενός φιλικού περιβάλλοντος διασύνδεσης του έμπειρου

συστήματος με τον χρήστη. Το έμπειρο σύστημα κάνει ερωτήσεις στον χρήστη για την εξαγωγή

συμπερασμάτων. Οι ερωτήσεις δίνονται σε παράθυρα και ο χρήστης απαντάει εύκολα από

λίστες προκαθορισμένων απαντήσεων. Επίσης, ο χρήστης μπορεί να κάνει κάποιες ερωτήσεις

και αυτός στο έμπειρο σύστημα σχετικά με τη πορεία του συλλογισμού. Άλλος ένας σκοπός της

διασύνδεσης είναι ο ειδικός που παρείχε τη γνώση στο σύστημα με τη χρήση εργαλείων

αναπαράστασης γνώσης να μπορεί να προσθέτει νέα γνώση στο σύστημα ή να μεταβάλλει την

ήδη υπάρχουσα. Η νέα γνώση πρέπει να ελεγχθεί ως προς τη συμβατότητα της προς την ήδη

υπάρχουσα. Η διαδικασία αυτή γίνεται αυτόματα από το σύστημα.

Τέλος, στον όρο διασύνδεση συμπεριλαμβάνεται και η διασύνδεση του έμπειρου

συστήματος με το περιβάλλον του, η οποία γίνεται μέσω συσκευών όπως αισθητήρες και

μηχανισμοί δράσης.

12.6.1.4 Μηχανισμός Επεξήγησης

Το έμπειρο σύστημα θα πρέπει να μπορεί να εξηγεί τη συμπεριφορά του στον χρήστη. Οι

λόγοι είναι τρεις:

o Έλεγχος αξιοπιστίας: Οι τελικοί χρήστες θα πρέπει να πειστούν πως τα

συμπεράσματα στα οποία κατέληξε το έμπειρο σύστημα είναι σωστά για το συγκεκριμένο

πρόβλημα.

o Εργαλείο αποσφαλμάτωσης: οι μηχανικοί γνώσεις και οι προγραμματιστές πρέπει

να ελέγχουν την σωστή εφαρμογή της γνώσης κατά τη διάρκεια της ανάπτυξης του

έμπειρου συστήματος.

o Επαλήθευση: οι ειδικοί πρέπει να ελέγχουν τη πορεία του συλλογισμού.

Προκειμένου να διαπιστώσουν κατά πόσο ταιριάζει η γνώση και η συλλογιστική που

μεταφέρθηκε από το μηχανικό γνώσης στο έμπειρο σύστημα με την πραγματικότητα.

Στην ουσία ο μηχανισμός επεξήγησης θα πρέπει ανά πάσα στιγμή να γνωρίζει τι κάνει το

πρόγραμμα και γιατί. Πολύ γενικά μπορούμε να πούμε ότι θα πρέπει να απαντά σε δύο

ερωτήσεις. Η πρώτη είναι το πώς κατέληξε σε ένα συμπέρασμα και η δεύτερη είναι το γιατί.

54

12.7 Διαδικασία Ανάπτυξης Έμπειρων Συστημάτων

Η διαδικασία αυτή αποτελείται από τα εξής βασικά στάδια (σχήμα 13) :

o Ανάλυση του προβλήματος.

o Απόκτηση της γνώσης.

o Σχεδίαση.

o Υλοποίηση.

o Επαλήθευση και έλεγχος αξιοπιστίας.

Σχήμα 13: Διαδικασία σχεδίασης έμπειρων συστημάτων

12.7.1 Ανάλυση του Προβλήματος

Γίνεται ανάλυση του προβλήματος που πρέπει να επιλυθεί και προσδιορίζεται η μορφή της

επιθυμητής λύσης. Αυτά τα ζητήματα που πρέπει να εξεταστούν είναι τα ακόλουθα:

Εξετάζουμε αν το πρόβλημα πρέπει να λυθεί από έμπειρο σύστημα ή από

ένα συμβατικό πρόγραμμα. Το έμπειρο σύστημα χρειάζεται όταν υπάρχει γνώση

πάνω στο πρόβλημα και η οποία μπορεί να περιγραφεί αναλυτικά από κάποιον

ειδικό.55

Μια σημαντική βοήθεια για την ανάλυση του προβλήματος προκύπτει από

την ύπαρξη έτοιμων μελετών για περιπτώσεις επίλυσης του προβλήματος και από

την διαθεσιμότητα των σχετικών δεδομένων.

Τέλος εξετάζονται τα οφέλη από την κατασκευή του έμπειρου συστήματος,

τα οποία μπορεί να υπάρχουν σε δυο κατευθύνσεις. Στην βελτίωση της παροχής

υπηρεσιών μέσο της αύξησης της αποδοτικότητας ενός ειδικού ή μείωση του

κόστους παροχής υπηρεσιών με αντικατάσταση του ειδικού.

12.7.2 Απόκτηση Γνώσης

Στο στάδιο αυτό ο μηχανικός της γνώσης, αφού πάρει την γνώση από τον άνθρωπο ειδικό

πάνω στο συγκεκριμένο πρόβλημα, μοντελοποιεί την γνώση, μεταφέροντας την σε κάποια

ενδιάμεση μορφή αναπαράστασης. Η αναπαράσταση αυτή γίνεται με διάφορες ημιδομημένες

μορφές αναπαράστασης όπως δέντρα, ψευδογλώσσα, πίνακες, τεχνικές περιλήψεις κλπ.

Το μοντέλο της γνώσης είναι πολύ χρήσιμο στη συνέχεια, όχι μόνο για την φάση του

σχεδιασμού του συστήματος και την υλοποίηση του αλλά και για την τεκμηρίωση του

συστήματος.

12.7.3 Σχεδίαση

Στο στάδιο αυτό προσδιορίζονται η μορφή της αναπαράστασης της γνώσης, η συλλογιστική

που θα χρησιμοποιηθεί για την εξαγωγή συμπερασμάτων, καθώς και ποιο θα είναι το εργαλείο

για την ανάπτυξη του έμπειρου συστήματος. Μετά από αυτά παράγεται μια αρχιτεκτονική του

συστήματος, η οποία περιλαμβάνει το σύνολο των λειτουργικών υπομονάδων του συστήματος,

όπως τη λειτουργικότητα της κάθε μιας καθώς και τις αλληλεπιδράσεις τους.

12.7.4 Υλοποίηση

Σε αυτό το στάδιο κωδικοποιείται το μοντέλο γνώσης όπως έχει διαμορφωθεί κατά την

φάση της σχεδίασης, χρησιμοποιώντας εργαλεία ανάπτυξης έμπειρων συστημάτων.

12.7.5 Επαλήθευση και Έλεγχος Αξιοπιστίας

Η επαλήθευση του συστήματος γίνεται με:

56

Έλεγχο της συμβατότητας του συστήματος με τις αρχικές προδιαγραφές. Ο έλεγχος

αυτός μπορεί να πραγματοποιηθεί από τον μηχανικό γνώσης σε συνεργασία με τον

ειδικό του τομέα καθώς και τους τελικούς χρήστες.

Επιβεβαίωση της ορθότητας της κωδικοποίησης της γνώσης που περιέχεται στο

έμπειρο σύστημα. Τα λάθη μπορεί να είναι συντακτικά ή λογικά και ο έλεγχος

πραγματοποιείται από τον μηχανικό της γνώσης.

Ο έλεγχος της αξιοπιστίας τους συστήματος πραγματοποιείται από τους ειδικούς του τομέα

και γίνεται με την μελέτη του τρόπου που το σύστημα επιλύει τα προβλήματα. Ο έλεγχος

πραγματοποιείται με τη βοήθεια ενός συνόλου υποδειγματικών περιπτώσεων που λύνονται από

το σύστημα και μετά συγκρίνονται με λύσεις που δόθηκαν από ειδικούς του τομέα.

12.8 Εκμαίευση Γνώσης

Ο όρος εκμαίευση γνώσης έχει πολλά συνώνυμα όπως σύλληψη γνώσης, απόκτηση

γνώσης, εξαγωγή γνώσης. Θεωρείται ως το πιο σημαντικό τμήμα της δημιουργίας ενός

έμπειρου συστήματος γιατί είναι το πιο δύσκολο και αμφίβολο όσο αναφορά την επιτυχία του.

Στην ουσία είναι η διαδικασία κατά την οποία η γνώση αποκτάται από ένα ή περισσότερα άτομα

που θεωρούνται ειδικοί. Μετά την απόκτηση της από τον ειδικό, η γνώση δομείται και

οργανώνεται συνήθως σε κανόνες που απεικονίζονται και επεξεργάζονται από ένα πρόγραμμα.

12.9 Εργαλεία Ανάπτυξης

Ένα έμπειρο σύστημα μπορεί να αναπτυχθεί με δυο βασικές κατηγορίες εργαλείων:

Γλώσσες προγραμματισμού: χωρίζονται σε δυο κατηγορίες. Στις συμβατικές

και στις συμβολικές. Οι συμβολικές ονομάζονται και γλώσσες τεχνητής νοημοσύνης.

Οι συμβατικές γλώσσες, δεν ενδείκνυται για το χειρισμό γνώσης και την έκφραση

εννοιών, αλλά έχουν το πλεονέκτημα πως είναι συμβατές με την υπάρχουσα

υπολογιστική υποδομή. Τέτοιες γλώσσες είναι η Basic, Fortra, C/C++, Paschal κ.τ.λ.

Οι συμβολικές γλώσσες χρησιμοποιούν σύμβολα και παρέχουν εξελιγμένους

μηχανισμούς χειρισμού συμβολικών εκφράσεων και λιστών, αυτόματη διαχείριση

μνήμης και ευέλικτες δομές ελέγχου. Οι συμβολικές γλώσσες, είναι ευκολότερες

στην εκμάθηση και μερικές από αυτές είναι οι Lisp, Prolog.

Εργαλεία τεχνολογίας της γνώσης(ή κελύφη εμπείρων συστημάτων) : Τα

κελύφη είναι εξειδικευμένα εργαλεία για την ανάπτυξη έμπειρων συστημάτων. Ένα

κέλυφος παρέχει στο μηχανικό της γνώσης αρκετές μεθόδους αναπαράστασης

57

γνώσης καθώς και αρκετούς μηχανισμούς εξαγωγής συμπερασμάτων. Τέλος,

παρέχει διάφορες ευκολίες διασύνδεσης με το χρήστη και με το περιβάλλον

γενικότερα. Τα κελύφη χωρίζονται σε απλά και εξελιγμένα. Τα απλά κελύφη έχουν

προέλθει από τα έμπειρα συστήματα και έχουν μετατραπεί ώστε να υποστηρίζουν

ένα ευρύ φάσμα εφαρμογών. Τα εξελιγμένα κελύφη, αναπτύχθηκαν από την αρχή

σε κάποια γλώσσα προγραμματισμού, παρέχουν εξελιγμένες δυνατότητες

διασύνδεσης με τον χρήστη και υποστηρίζουν πολλές διαφορετικές μεθόδους

αναπαράστασης της γνώσης. Το αρνητικό τους είναι πως είναι δυσκολότερα στην

εκμάθηση από τα απλά.

13 Η Τεχνητή Νοημοσύνη Σήμερα

Σήμερα, υπάρχουν ευφυή συστήματα τα οποία βοηθούν τον χρηστή στο να χρησιμοποιήσει

ορισμένα προγράμματα, να αναζητήσει τη πληροφορία στο διαδίκτυο, να στείλει email, να

τηρήσει το ραντεβού, να συγκρίνει τιμές προϊόντων κ.λ.π. Επίσης, τα ευφυή συστήματα έχουν

εφαρμοστεί με επιτυχία σε τομείς της βιομηχανικής παραγωγής. Έχουν δημιουργηθεί ευφυή

συστήματα που μπορούν να αντιλαμβάνονται ομιλία και να μιλούν με αποτέλεσμα να μπορούν

να χρησιμοποιηθούν για κρατήσεις αεροπορικών θέσεων μέσω τηλεφώνου και να προτείνουν

μάλιστα τις βέλτιστες πτήσεις με κριτήρια το χρόνο και το κόστος (σύστημα pegassos) ή να

δίνουν πληροφορίες γενικού ενδιαφέροντος (φωνητική πύλη mycosmos). Επιπλέον, υπάρχουν

έμπειρα συστήματα πραγματικού χρόνου, τα οποία επεξεργάζονται δεδομένα που μεταδίδονται

από διαστημόπλοια (σύστημα marvel). Ακόμη, υπάρχουν ευφυή συστήματα που πλοηγούν

οχήματα σε πραγματικές συνθήκες χρησιμοποιώντας βιντεοκάμερες και αποστασιόμετρα

(σύστημα alvin), συστήματα που διεξάγουν ιατρικές διαγνώσεις, συστήματα που ελέγχουν και

ρυθμίζουν την κυκλοφορία, συστήματα που ελέγχουν την εναέρια κυκλοφορία, κ.λ.π.

Μεγάλη δραστηριότητα έχει δημιουργηθεί στο χώρο τον οικιακών ρομπότ. Η εταιρία Sony

ανέπτυξε το σκυλάκι AIBO με δυνατότητες αναγνώρισης ομιλίας, έκφρασης συναισθημάτων με

κινήσεις και ήχους και μπορεί επίσης να μετακινείται σε διάφορες επιφάνειες. Επιπλέον

δημιούργησε και το ανθρωπόμορφο ρομπότ QRIO, το οποίο έχει εξελιγμένες ικανότητες

κινήσεις και μπορεί να επικοινωνεί με προφορικό λόγο, αναγνωρίζοντας 10.000 ιαπωνικές

λέξεις, αγγλικές, ακόμη και ελληνικές. Επίσης στο χώρο αυτό κινήθηκε και η εταιρία fujitsu, η

οποία ανέπτυξε το ανθρωποειδές ρομπότ HOAP, το οποία μπορεί να κινεί το κεφάλι, τη μέση

και τα χέρια του και μπορεί να συνδεθεί σε έναν ηλεκτρονικό υπολογιστή για τη μεταφορά

δεδομένων.

58

Σημαντική επίσης δραστηριότητα ήταν εκείνη της NASA, η οποία σε συνεργασία με την

υπηρεσία ανάπτυξης προηγμένης στρατιωτικής τεχνολογίας των Η.Π.Α (DARPA), ανέπτυξαν

τον ρομποναύτη (robonau), ένα ρομπότ δηλαδή που χρησιμοποιείται για τη συντήρηση του

διαστημικού τηλεσκόπιου Hubble.

Τα συστήματα τεχνητής νοημοσύνης έχουν μπει πλέον και στις επιχειρήσεις όπου

χρησιμοποιούνται σαν συστήματα κανόνων για να παίρνουν αποφάσεις και να αυτοματοποιούν

τη ροή των εργασιών, να αναλύουν δεδομένα που προσδιορίζουν το προφίλ πελατών.

Υπάρχουν αυτόνομα συστήματα, γνωστά ως πράκτορες (agents) που ελέγχουν τις

πληροφορίες καθώς φτάνουν από διάφορες πήγες και εκτελούν λειτουργίες για την

αυτοματοποίηση των συναλλαγών μεταξύ των επιχειρήσεων στο διαδίκτυο. Αν και υπάρχουν

εφαρμογές ελπιδοφόρες στις εξελισσόμενες τεχνικές της τεχνητής νοημοσύνης δεν

χρησιμοποιούνται από μεγάλο εύρος επιχειρήσεων και αυτό οφείλεται στο ότι η χρήση

προηγμένων τεχνολογιών στον επιχειρηματικό τομέα προϋποθέτει χαμηλό ρίσκο και υψηλή

απόδοση. Συνεπώς, οι δοκιμασμένες τεχνικές της τεχνητής νοημοσύνης μπορεί να

χρησιμοποιηθούν ευκολότερα στον επιχειρηματικό τομέα, αντίθετα οι εξελισσόμενες τεχνικές

μπορεί να χρησιμοποιηθούν μόνο όταν το επιχειρηματικό ρίσκο είναι αποδεκτό.

Κάθε χρόνο γίνεται ένας αριθμός συνεδρίων. Τα κυριότερα διεθνή συνέδρια είναι τα :

International Joint Conference On Artificial Intelligence (IJCAI)

The Europian Conference On Artificial Intelligence (ECAI)

The Conference Of The American Association For Artificial Intelligence(AAAI)

Στην Ελλάδα ο αντίστοιχος φορέας είναι η ελληνική εταιρία τεχνητής νοημοσύνης (ΕΕΤΝ) ,

οποίος διοργανώνει και το πανελλήνιο συνέδριο τεχνητής νοημοσύνης (ΣΕΤΝ) κάθε δυο χρόνια.

Ενώ κάποια από τα πιο έγκυρα περιοδικά είναι τα:

Journal Of Artificial Intelligence (ELSEVIER)

Intelligent Systems (IEEE)

Al-Magazine (American Association For Artificial Intelligence)

Journal Of Artificial Intelligence Research (MORGAN KAUFMANN)

Transactions on Pattern Analysis & Machine Intelligence (IEEE)

Al Review (KLUWER)

Al Communications (Ios PRESS)

59

Η τεχνητή νοημοσύνη στη φαντασία των ανθρώπων υπήρχε ανέκαθεν, βλέπουμε την

ύπαρξη της ακόμη και στην ελληνική μυθολογία με τον Ήφαιστο να κατασκευάζει ανθρωποειδή

για να τον υπηρετούν και τον Πυγμαλίωνα να φτιάχνει την ίδια του τη γυναίκα.

Ο κινηματογράφος ασχολήθηκε κατά καιρούς με το θέμα της τεχνητής νοημοσύνης και του

τι θα μπορούσε να προκύψει αν χρησιμοποιηθεί για το καλό της κοινωνίας και το αντίθετο

(Robocop, Terminator). Επίσης μέσα από τον κινηματογράφο εκφράστηκαν και αναστολές ως

προς τους ανθρώπους που κατασκευάζουν τέτοια ανθρωποειδή και επιφυλάξεις ως προς την

ηθική τους.

Επίλογος

Η τεχνητή νοημοσύνη θέτει καθημερινά υψηλότερους στόχους και πλέον προσπαθεί να

δημιουργήσει συστήματα που να εξαρτώνται λιγότερο από τον προγραμματιστή και

περισσότερο από την ικανότητα τους να μαθαίνουν πώς να συμπεριφέρονται από τα λάθη τους

και αλληλεπιδρώντας με το περιβάλλον.

14 Σχέση Ανθρώπου – Μηχανής

Ο άνθρωπος από την αρχαιότητα προσπαθούσε να κάνει πιο εύκολη και καλύτερη την ζωή

του κατασκευάζοντας μηχανές ικανές να τον βοηθούν. Η τότε τεχνολογία βασιζόταν σε απλές

σχετικά μηχανές, προερχόμενες από τη φαντασία και τον αυτοσχεδιασμό του ανθρώπου βάση

των αναγκών του. Για παράδειγμα, κατασκεύαζε πολεμικές μηχανές, απλές στην λειτουργία

τους αλλά πολύ χρήσιμες, που του παρείχαν ασφάλεια σε μια ταραχώδη περίοδο. Επίσης

κατασκεύαζε μηχανές που του παρείχαν βοήθεια στην υλοποίηση μεγάλων αρχιτεκτονικών

κυρίως έργων. Αυτές οι μηχανές δεν είχαν το πλεονέκτημα να λειτουργούν αυτόνομα αλλά

χρειαζόντουσαν την βοήθεια του ανθρώπου και μάλιστα σε μεγάλο βαθμό, αυτό όμως είναι

απολύτως λογικό γιατί η μηχανική τεχνολογία και τα τεχνολογικά μέσα ήταν πολύ απλή.

Με το πέρασμα των χρόνων και όσο η τεχνολογία εξελισσόταν, τόσο και η μηχανές

γινόντουσαν περισσότερο αυτόνομες και απαιτούσαν λιγότερη ανθρώπινη προσπάθεια. Ενώ

όμως απαιτούσαν λιγότερη προσπάθεια και γινόντουσαν περισσότερο αυτόνομες, η

πολυπλοκότητα τους μεγάλωνε και απαιτούσε περισσότερη δουλειά και εξειδίκευση για την

δημιουργία τους και την αντιμετώπιση τυχών προβλημάτων.

Πλέον οι μηχανές έχουν φτάσει σε τέτοιο επίπεδο που μπορούν να σκέφτονται, να

πράττουν, να δημιουργούν, να σχεδιάζουν ενέργειες, να λύνουν προβλήματα και όλα αυτά

αντικαθιστώντας τον άνθρωπο.

60

14.1 Σχέση Ανθρώπου – Μηχανής στον Εικοστό Αιώνα

Από τις αρχές του αιώνα που μας πέρασε η σχέσεις ανθρώπου – μηχανής άλλαξαν κατά

πολύ σε σχέση με το παρελθόν. Με την βοήθεια των μηχανών μπόρεσε να γίνει μαζική

παραγωγή προϊόντων που άλλες εποχές θα ήταν δύσκολη, χρονοβόρα, ως και μη-εύθικτη. Ως

αποτέλεσμα είχαμε την ανάπτυξη της βιομηχανίας σε διαφόρους τομείς, όπως για παράδειγμα

την βιομηχανία αυτοκινήτων. Η ανάπτυξη αυτή και μαζική παραγωγή έριξε τις τιμές τον

προϊόντων και τα έφερε πιο κοντά στον κάθε άνθρωπο. Αρχές του εικοστού αιώνα το να έχει

κάποιος αυτοκίνητο σήμαινε και υψηλό κοινωνικό και οικονομικό επίπεδο. Ενώ σήμερα το να

έχει κανείς αυτοκίνητο είναι απολύτως φυσιολογικό.

Η μαζική παραγωγή όμως δεν έχει σαν αποτέλεσμα και περισσότερα εργατικά χέρια στον

τομέα της παραγωγής και αυτό διότι η εξέλιξη των μηχανών οδήγησε στην αντικατάσταση των

ανθρώπων από τις μηχανές. Με αρνητικό αποτέλεσμα την ανάπτυξη της ανεργίας.

Πλέον, με το πέρασμα των χρόνων, η ανάγκη του ανθρώπου για τις μηχανές γίνετε ακόμη

μεγαλύτερη. Ακόμη και σήμερα, αρχές του εικοστού πρώτου αιώνα, νιώθουμε αρκετά δέσμιοι

των μηχανών και των ευκολιών που μας παρέχουν, που έχει σαν συνέπεια να μην μπορούμε να

φανταστούμε την ζωή μας χωρίς αυτές.

Με την σκέψη αυτή και το χάος το οποίο θα μπορούσε να προκληθεί στο σύγχρονο κόσμο,

ήρθε η ιδέα της i-bomb στην οποία θα αναφερθούμε στο επόμενο κεφάλαιο.

14.2 i – Bomb

Για τη ταχεία εξέλιξη και την απανταχού παρουσία της τεχνολογίας, δεν είχε συζητηθεί ποτέ

η τρομοκρατική χρήση της και ούτε είχε ερευνηθεί ή αναπτυχθεί τεχνολογία, η οποία θα

προκαλούσε αναστάτωση στις μηχανές.

Στον κόσμο, στον οποίο ζούμε και κυριαρχείται από την τεχνολογία και την πληροφόρηση

την πραγματική δύναμη την έχει η ομάδα που μπορεί να απενεργοποιήσει, αλλοιώσει και

καταστρέψει τη δομή των πληροφοριών, της ηλεκτρικής ενέργειας, των τηλεπικοινωνιών και των

υπολογιστικών συστημάτων.

Σε έναν μελλοντικό πόλεμο πληροφοριών (Information-War), στη σύγχρονη βιομηχανία ή

μετά-βιομηχανία ο αντίπαλος θα απαιτήσει τη χρήση εξειδικευμένων εργαλείων, σχεδιασμένα

για την καταστροφή των συστημάτων πληροφοριών. Αυτό μπορεί να γίνει μέσω της

ηλεκτρομαγνητικής συμβατότητας που χρησιμοποιείται από τις βόμβες πληροφορίας

(Information bombs), που έχουν κατασκευαστεί για αυτό το σκοπό και είναι ένα αποτελεσματικό

εργαλείο για τη διεξαγωγή μιας εκστρατείας πολέμου των πληροφοριών. Η συγκεκριμένη βόμβα

61

έχει κατασκευαστεί και αποτελεί το πρώτο στάδιο για της εξέλιξης των πολεμικών μηχανών σε

έναν πόλεμο πληροφοριών. Η συσκευή έχει χρησιμοποιηθεί κατ’ επανάληψη σε μια

εγκαταλελειμμένη αποθήκη στο San Francisco των Η.Π.Α και είναι μόνο μια από τις διάφορες

του είδους της I-bombs.

Η λειτουργία της προκαλεί αναστάτωση και απενεργοποίηση των ηλεκτρικών συσκευών και

συστημάτων σε ένα περιορισμένο εύρος και χωρίς καμία σωματική επαφή. Επίσης, σταματάει ή

διαγράφει οποιοδήποτε μαγνητικό μέσο όπως σκληροί δίσκοι, πιστωτικές κάρτες κ.τ.λ. Το

αποτέλεσμα της λειτουργίας της θα είναι ένας χώρος σε μια ακτίνα από αυτήν που θα στερείται

της τεχνολογίας και των ηλεκτρικών μέσων. Η i-bomb, δεν επηρεάζει τον άνθρωπο αφού τεθεί

σε λειτουργία ενώ καταστρέφει κάθε ηλεκτρική συσκευή εντός της ακτίνας (ζώνης) της.

Η ειρωνεία είναι ότι σε αυτές τις ζώνες υπάρχουν πολύπλοκα μηχανικά και ηλεκτρικά

συστήματα που παρακολουθούν και διασφαλίζουν τη συνεχή και σταθερή κατάσταση και

λειτουργία της i-bomb.

14.3 Σχέση Ανθρώπου – Μηχανής στο Μέλλον

Η νέα αντίληψη που θα πρέπει να αναπτυχθεί για την σχέση φύσης ανθρώπου δεν

προκύπτει μόνο από την νέα οπτική της σύγχρονης επιστήμης, και από τις καταστροφές, που

έχει προκαλέσει στο φυσικό περιβάλλον με την συμπεριφορά του ο άνθρωπος , όσο και νέων

ηθικών θεμάτων που εγείρονται από τον τρόπο με τον οποίο έχει παρέμβει η τεχνολογία και η

μοριακή βιολογία στο αρχέγονο γενετικό υλικό, και κατά συνέπεια στην εξελεγκτική διαδικασία

του ανθρώπινου - και όχι μόνο – είδους .

Και αυτό διότι στην προσπάθεια δημιουργίας υπεράνθρωπων, δια μέσω της τεχνολογίας, ο

άνθρωπος αυτονομείται όλο και περισσότερο από τους βιολογικούς του περιορισμούς,

τείνοντας να μεταμορφωθεί σε μια πρωτοφανή εξελικτική δύναμη, στην οποία εκτός της

βιολογικής φυσικής υπόστασης, παρεμβάλλονται τεχνολογικά ηλεκτρονικά εμφυτεύματα που

βελτιώνουν και επαυξάνουν τις φυσιολογικές ικανότητες του άνθρωπου.

Αν σε αυτό συνυπολογίσουμε την ιλιγγιώδη ανάπτυξη της μηχανικής , της ηλεκτρονικής, της

πληροφορικής και της νάνο-τεχνολογίας, τότε εύκολα γίνεται αντιληπτό πως όλα τα παραπάνω,

καθιστούν τον άνθρωπο ανίκανο να παρακολουθήσει τα ίδια του τα επιτεύγματα,

αναδεικνύοντας τις μηχανές σε απαραίτητη προϋπόθεση για την επιβίωση του. Ολοένα και

περισσότεροι επιστήμονες επιμένουν ότι την δεκαετία 2030-2040 ο άνθρωπος θα πρέπει να

συνδεθεί υβριδικά με τις μηχανές, αν θέλει να αποφύγει τον πλήρη αφανισμό του από αυτές.

62

Ερευνητές της τεχνητής νοημοσύνης, όπως ο Ρέι Κούρτζβαιλ (Ray Kurzweill),

διαπιστώνουν πως σύμφωνα με στατιστικές αναλύσεις, ο ρυθμός της τεχνολογικής εξέλιξης

διπλασιάζεται κάθε 10 χρόνια.

Κατ’ αυτόν τον τρόπο τα επόμενα δέκα χρόνια θα συμπυκνώνουν εξελίξεις που είδαμε τα

προηγούμενα 20 χρόνια, και τα μεθεπόμενα 10, εξελίξεις 40 χρόνων. Το 2030, οι άνθρωποι θα

έχουν γνωρίσει τεχνολογικά επιτεύγματα που θα αναλογούν σε 130 χρόνια προόδου με τον

σημερινό ρυθμό, ενώ στο τέλος του 21ου αιώνα, η ανθρωπότητα θα έχει δει πρόοδο αντίστοιχη

εκείνης που εμείς, θα χρειαζόμασταν 20.000 χρόνια για να τη γνωρίσουμε!

Επιστήμονες επισημαίνουν ότι γύρω στο 2030 θα είναι εφικτό το πάντρεμα του τεχνικού και

του βιολογικού κόσμου, με υπολογιστές να διασυνδέονται και να ανταλλάσσουν δεδομένα - και

σκέψεις - με τον ανθρώπινο εγκέφαλο. Κατ΄ αυτόν τον τρόπο ενώ έως τώρα η «τελεολογία» της

μετεξέλιξης του σε μια νέα ανώτερη μορφή ύπαρξης, διεκδικήθηκε μέσω της θρησκείας, της

φιλοσοφίας, της αλχημείας, και του ιδεαλισμού, στις ημέρες μας το ενδεχόμενο του μετά-

ανθρώπου, κατακτά νέους ορίζοντες και προοπτικές. Δια μέσου της επιστήμης, αναζητούνται

υπέρ ανθρώπινες καταστάσεις, όπως η «ένωση» ανθρώπου και μηχανής, δια μέσω

εμφυτευμένων μικροτσίπ , τα οποία θα μπορούν να λειτουργούν σε συνδυασμό με ανθρώπινα

νευρικά κύτταρα, αλλά και δια μέσω «προσθετικών» μηχανικών μερών, με σκοπό την

δημιουργία Υβριδικών Ανθρώπων ή Cyborgs.

Εάν στο μέλλον άνθρωπος και μηχανή ενωθούν με σκοπό την δημιουργία Υβριδικών

Ανθρώπων ή Cyborgs, θα είναι η στιγμή κατά την οποία η ανθρώπινη συνείδηση θα κληθεί να

συνυπάρξει με την ύλη σε ένα άλλο επίπεδο, όχι πια με το σώμα που αποτελούσε για πολλούς

από τους αρχαίους φιλόσοφους την φυλακή της ψυχής, αλλά με ένα νέο «ελιτίστικο»,

τροποποιημένο τόσο γονιδιακά όσο βιονικά εξελιγμένο σώμα, που θα προσφέρει υπέρ-

ανθρώπινες δυνατότητες. Θα είναι η στιγμή που ο «homo economicus», θα δώσει την θέση του

στον «homo electronicus».

Αυτή αντιπροσωπεύει μία νέα προμηθεική επανάσταση, καθώς για πρώτη φορά το

ανώτερο τμήμα του ανθρώπου, το πνεύμα, η συνείδηση, το εγώ, ο εαυτός, η ψυχή όπως ο

μετά-ανθρώπινος μύθος έως τώρα είχε θεωρήσει, λαμβάνει πλέον ουσία υλιστική-τεχνολογική,

και όχι μεταφυσική, μεταλλάσσοντας την υπόσταση, και το μέλλον του ανθρώπου.

Εάν λοιπόν αποφύγουμε τον κίνδυνο να καταστρέψουμε τον πλανήτη λόγω της

καταστροφής του περιβάλλοντος, ελλοχεύει ο κίνδυνος από την ανεξέλεγκτη ανάπτυξη της

τεχνολογίας και την πρωτοκαθεδρία των μηχανών, τα Ανθρωποειδή (Humanoids), οι Υβριδικοί

Άνθρωποι ή τα Ρομποτοειδή (Androids) να αποτελέσουν την «φυσική» βιολογικά και

μορφολογικά εξέλιξη του σημερινού ανθρώπου.

Έτσι εάν λοιπόν ο κίνδυνος του παρελθόντος ήταν να γίνουν οι άνθρωποι δούλοι, ο

κίνδυνος του μέλλοντος θα είναι οι άνθρωποι - εάν επιζήσουν - , να γίνουν ρομπότ...

63

Βιβλιογραφία

1) Τεχνητή Νοημοσύνη – Βλαχαβάς, Κεφαλάς, Βασιλειάδης, Ρεφανίδης,

Κόκκορας, Σακελλαρίου, Εκδόσεις Γαρταγάνη (Ά Έκδοση)

2) Τεχνητή Νοημοσύνη – Βλαχαβάς, Κεφαλάς, Βασιλειάδης, Ρεφανίδης,

Κόκκορας, Σακελλαρίου, Εκδόσεις Γαρταγάνη (΄Β Έκδοση)

3) Εγχειρίδιο Εφαρμογής Στα Έμπειρα Συστήματα – Κρικέτος, Πάστρας.

4) www.Wikipedia.com /Artificial+inteligence

64