Methoden der KŸnstlichen Intelligenz

(1)

9 Ausgewählte Themen

29. Vorlesung: Wiederholung und Zusammenfassung Teil 1

Methoden der KŸnstlichen Intelligenz

Ipke Wachsmuth ÊWS 2000/2001

29. Vorlesung Methoden der KŸnstlichen Intelligenz 2

Ziele der KI, kurz gesagt

KŸnstliche Intelligenz befa§t sich mit der Kon- struktion informationsverarbeitender Systeme,

¥ÊÊdie kognitive Leistungen modellieren und

¥ÊÊin technischen Anwendungen verwerten.

kognitionswissenschaftliches Ziel ingenieurswissenschaftliches Ziel

UniversitŠt Bielefeld

Methoden der KI WS 2000/2001

1 KI und symbolische Repräsentation

l Interne – symbolische – Repräsentation. Intelligenter Agent

l Repräsentation im Prädikatenkalkül; Inferenzregeln

l Alternative Notationen – Semantische Netze; Frames 2 Modellierung und Programmierung

l Repräsentationssprachen; Kognitive Kategorien

l Programmierstile; Aufgaben der KI-Programmierung

l Lisp, Prolog, Regelbasiertes Programmieren 3 Problemlösen und Suche

l Suchprobleme und Suchalgorithmen; Heuristische Suche

l Means-Ends Analysis, Diskriminationsnetze; Goal Trees

l Constraint Satisfaction; Planen; Einordnung

Intelligenter Agent: 1. Modell

Kognitive Verarbeitung

Reasoning

Wissensbasis Knowledge Base Perzepte Percepts

Handlungen Actions

Agent

Sensoren Effektoren

Umgebung Environment

u Agenten sind Systeme, die ihre Umgebung wahrnehmen (perceive) und in ihr handeln (act).

u Über Sensoren und Effektoren sind Agenten in ihre Umgebung gekoppelt.

u „Deliberative“ Agenten denken vor dem Handeln nach (reason), „reaktive“

handeln als Reflex.

(angelehnt an Russell & Norvig, Kap. 2)

(„deliberativ“: intentional, willentlich)

(2)

Unterschiedliche Paradigmen

Intelligenter Agent

u logisch motivierter Ansatz u rationales Denken und

Handeln

u „single-agent“-Architektur u symbolische

Repräsentation u Suchen, Planen,

Schlußfolgern

Autonomer Agent

u z.Tl. biologisch motiviert u reflexhaftes bis

zielstrebiges Handeln u Multiagentensysteme u heterogene, verteilte

Repräsentation u Kooperation und

Wettbewerb

(spŠter)

Interne Symbol-ReprŠsentation

u Eine idealisierte Darstellung der Welt in einer einheit- lichen (Symbol-)Sprache, in der ein Agent Aussagen über die Welt ausdrücken und manipulieren kann.

u Symbolische Repräsentationen müssen in mehrfacher Hinsicht eindeutig sein / gemacht werden:

l referentielle Ambiguität

l semantische Ambiguität

l funktionale Ambiguität

Arten der Mehrdeutigkeit

ReprŠsentation einer Szene

block

yellow

table-1 block-2

red block-1

table inst

color supported-by supported-by

inst inst

block-2

block-1

table-1

(inst block-2 block) (color block-2 red)

(supported-by block-2 block-1) (inst block-1 block)

(color block-1 yellow) (supported-by block-1 table-1) (inst table-1 table)

u als Menge logischer Formeln u als semantisches Netz

color

Alternative Notationen

Aus (catch-object jack-2 ball-5)

Prädikat Argumente (slots) wird (catch-object catch-22 )

(catcher catch-22 jack-2) (caught catch-22 ball-5)

bzw. (catch-object catch-22

(catcher jack-2) (caught ball-5)) Prädikatenlogik-Notation

Slot-Assertion Notation

Slot-and-Filler Notation (immer noch PrŠdikatenlogik)

(FRAME Ð objektzentriert)

Zweck unter anderem: Ausdrücken funktionaler Beziehungen

(3)

Semantische Netze und Frames

Objekt Eigenschaften Werte Elefant : ist_ein : Säugetier

Farbe : grau

hat : Rüssel

Größe : groß

Lebensraum : Boden

Objekt Eigenschaften Werte Clyde : instanz_von : Elefant

Farbe : grau

hat : Rüssel

Größe : groß

Lebensraum : Boden

Elefant Wirbeltier

selbst- bewegend

lebend- gebŠrend

SŠugetier

Kopf

gro§

Fred Clyde

grau ist_ein

ist_ein

Farbe Grš§e

Boden

RŸssel Lebensraum hat

Beine Vermehrung

hat

hat Beweglichkeit

inst inst

Objekt Eigenschaften Werte Säugetier : ist_ein : Wirbeltier

Vermehrung : lebendgebärend

hat : Kopf, Beine

... ...

Kernideen von Frames

(bzw. allgemein von objektzentrierten Repräsentationen)

u Vererbungshierarchien u zugeordnete Prozeduren u Erwartungswerte (Defaults) u Verwendungsaspekte:

a) Eigenschaftszuschreibung

b) Klassifikation anhand von Eigenschaften Kritik an Framesprachen wie FRL:

l Alle Zusicherungen durch Ausnahmen überschreibbar

l Automatische Klassifikation neuer Objekte anhand ihrer Eigenschaften daher nicht möglich

l Radikale Konsequenz: Erwartungswerte (Defaults) und Abweichungen bei Objekt-Definition verbieten –> KL-ONE

Ideen von KL-ONE-Sprachen

u Trennung zwischen terminologischem und sonstigem Wissen („T-Box“, „A-Box“) u T-Box:

l Vererbungshierarchien mit präziser Semantik

l definierte Konzepte; keine Defaults

l automatische Klassifikation neuer Objekte anhand ihrer Eigenschaften möglich

u A-Box:

l Zuschreibung sonstiger (zufälliger) Eigenschaften für einzelne Individuen

T-Box:

Terminology A-Box:

Assertions

WissensreprŠsentation: Aufgaben

Entwurf von ReprŠsentations-

formalismen

Bereichs- modellierung

u Repräsentationsformalismen

l Beschreibungsmittel für symbolisch darzustellendes Wissen

l automatische aufgabengesteuerte Berechnung von Inferenzen über der Menge kodierten Wissens

u Modellierung bestimmter Fachgebiete und Weltbereiche

(„Domänen“)

(4)

Konzeptualisierung

u Jede formale Wissensrepräsentation basiert auf einer Konzeptualisierung der betrachteten Welt („Domäne“):

l Darunter versteht man die Objekte/Konzepte, deren Existenz für eine Domäne angenommen wird, und ihre Beziehungen (Relationen) untereinander.

u Eine Konzeptualisierung ist eine abstrakte (begriffliche) Sicht auf die zu modellierende Domäne.

u Für KI-Systeme/Agenten hängt also das, was in ihrer konzeptualisierten Welt existieren kann (die „Ontologie“), davon ab, was repräsentierbar ist.

Bereichsmodellierung: 3 Dinge

u Ontologie

Welche Objekte gibt es in dem betrachteten Weltausschnitt?

u Fakten

Welche Annahmen macht man über die Objekte eines Weltausschnitts (d.h. welche Aussagen über die Objekte hält man für wahr)?

u Gebrauch

Wie geht man mit diesem Wissen um (d.h. wie lassen sich Schlüsse ziehen / Berechnungen anstellen etc.)?

nur kurz: KI-Programmierung

Typische Anwendungen für KI-Methoden:

Verarbeitung von natürlicher Sprache und Bildern, maschinelles Problemlösen, Entscheidungsunterstützung, Konstruktion (teil-)autonomer Systeme (z.B. Roboter), ...

• Aufgaben i.a. sehr komplex und auf abstraktem Niveau

• Lösungsansätze basieren häufig auf kognitiven Modellen

>>> Klassen von Problemen führen zu problemspezifischen Verarbeitungsmodellen

Aufgaben der KI-Programmierung

• Entwurf, formale Spezifikation und Implementierung problemspezifischer Verarbeitungsmodelle

• Programmierung in diesen Modellen Welche Programmiersprache?

Frage nicht:

Welches ist die grundsätzlich bessere KI-Programmiersprache

sondern:

Welche Sprache ist zur Implementierung eines Verarbeitungsmodells für eine bestimmte Problemklasse gut geeignet?

Programmierstile

– Prozeduraler Programmierstil

Schrittweise ausgeführte Folgen von Anweisungen (Prozeduren) modifizieren Daten in einem Speicher – Funktionaler Programmierstil

Berechnung durch Auswertung von Funktionen (Abbildung von Definitionsbereich in Wertebereich)

– Logikorientierter Programmierstil

Deklarative Notierung von Problem und Lösungs"wissen" als logische Formeln, Berechnung durch Theorembeweisen – Objektorientierter Programmierstil

Berechnung durch Kommunikation: Austausch von Nachrichten zwischen aktiven unabhängigen Objekten – Regelbasierter Programmierstil

Berechnung durch Regelanwendung und deren Vorwärts- oder Rückwärtsverkettung

Die zugrundeliegenden Verarbeitungsmodelle (Programmiersprache + ausführende Maschine) sind sehr verschieden.

(5)

Problemlšsen durch Suche

u Suchproblem gegeben durch

l Beschreibung eines Startzustands

l Beschreibung eines Zielzustands

l Menge von Operatoren, die jeweils einen Zustand in einen anderen überführen

u Lösung eines Suchproblems

l konkreter Zustand, der der Beschreibung eines gewünschten Zielzustands genügt

l Folge von Operatoren, deren Anwendung vom Start- zum Zielzustand führt (Pfad) u Datenbasis

beschreibt die aktuelle Situation des Aufgabenbereichs und das Ziel der Problemlösung (in symbolischer Repräsentation) u Operatoren

können die Datenbasis manipulieren

u Kontrollstrategie

trifft Entscheidungen über die Auswahl von Operatoren zur schrittweisen Problemlösung

Allgemeiner Suchalgorithmus

u Anpassung an spezielle Suchaufgaben durch bereichs- spezifische Funktionen (als Argumente übergeben) u search beinhaltet:

l goal-test: eine Funktion, die testet, ob Zustand = Zielzustand

l successors: eine Funktion, die alle Operatoren auf den aktuell explorierten Zustand expl anwendet und alle neuen

Zustände ausgibt

l estimator: eine Funktion, die für einen Zustand eine geschätzte Distanz zum nächsten Zielzustand ausgibt (als nichtnegative Zahl)

„search“

(Der bestbewertete successor kommt vorn in eine Suchschlange.)

†bersicht: Suchraum/Goal Tree

u Suchraum

l Suchproblem: charakterisiert durch Startzustand und Zielzustandsbeschreibung (goal-state description)

l Operatoren: können einen Zustand in einen anderen transformieren

l Suchraum: Menge aller Zustände, die man durch Anwendung einer Folge von

u Goal Tree

l beschreibt eine Situation, in der ein Ziel durch das Lösen von Teilzielen erreicht werden kann

l jedes Teilziel kann aus mehreren Teilen bestehen, die konsistent zu lösen sind

l Zwei Knotentypen:

ODER: für Alternativen UND: für simultane Teilziele

l jeder nonsuccess-UND-Knoten kann eine Randbedingung an

Start

Ziel Teilziele

Ziel

Kontrollstrukturen fŸr Suche

u Breitensuche u Tiefensuche u Operatorordnung u Zustandsbewertung

u Bestensuche, A*-Algorithmus u Means-Ends Analysis

u Problemreduktion (Goal Trees) u constraint satisfaction

u wissensgestützte Suche

problem- unabhängig

problem- spezifisch

(6)

Constraint Satisfaction

u Constraints („Beschränkungen”, „Randbedingungen”) sind ein zunehmend häufig verwendetes Darstellungs- mittel, vor allem im Bereich Suche und Planen.

u Ein Constraint Satisfaction Problem (CSP) ist ein spezieller Problemtyp:

l die Zustände des Suchraums sind durch Werte einer Menge von Variablen definiert

l der goal-test spezifiziert eine Menge von Constraints, denen die Werte genügen müssen

u Ziel von Constraint-Systemen: Finden einer Lösung unter Beachtung aller Constraints

Planen: Definition und Arten

u Problembereich: Zustandsraum und Operatoren u Planungsproblem: Ausgangs- und Zielzustand u Lösung: Folge von Operatoren zur Überführung des

Ausgangszustandes in den Zielzustand

im Grundansatz zunächst klassisches Suchproblem Einstufiges (nichthierarchisches) Planen:

u systematisch alle Sequenzen von Operatoren durchprobieren u Gefahr der kombinatorischen

Explosion!

Mehrstufiges (hierarchisches) Planen:

u zunächst Grobplan (Sequenz von abstrakten Operatoren), dann schrittweise verfeinern u Nebeneffekte eines Operators

können Anwendung eines anderen verhindern.

Einordnung

Suche ist eine Grundmethode für KI-Programme und wird in der einen oder anderen Form häufig benötigt.

• Allgemeinste Suchprogramme haben sich in der Praxis als nicht fruchtbar erwiesen, außer für "genuine" Such- probleme (wie Puzzles).

• "Schwache Methoden" für Suche wie generate-and-test sind für komplexe Suchräume nicht adäquat

• Wie Menschen benutzen KI-Problemlöser heuristisches Wissen, um die Suche einzuschränken (aus Wissen über den Bereich abgeleitetes Kontrollwissen für die Suche)

Inferenzregeln (erster Einblick)

Deduktives Schließen (Modus ponens)

Gegeben daß (if p q ^{) und}p ^gilt

schließe, daß q gilt.

Legaler Schluß in der Logik, generiert die Konsequenz aus bedingter Aussage und Fakt.

Abduktives Schließen

Gegeben daß (if p q ^{) und}q ^gilt schließe, daß p gilt.

Kein legaler Schluß in der Logik, aber oft benutzt, um Hypothesen zu generieren.

Universelle Einsetzung (deduktiv)

Gegeben daß(forall(x) (Px)) gilt schließe, daß(Pa) für jede Konstante a gilt.

Legaler Schluß in der Logik, schließt vom Allgemeinen auf das Einzelne.

Induktives Schließen

Gegeben daß (Pa), (Pb), ... gilt schließe, daß (forall(x) Px)) gilt.

Kein legaler Schluß in der Logik, ist aber eine der Grundlagen von Lernen.