Wstep do AI

1. Wprowadzenie do AI

Witold Kosiński   

wkos@ukw.edu.pl

Podejmowanie decyzji

• Zagadnienia określane wspólną

nazwą „sztuczna inteligencja” (AI), 
np.:

• sterowanie urządzeniami i pojazdami

• podejmowanie decyzji gospodarczych 

i finansowych

• diagnozy medyczne

• rozumienie języka naturalnego (np. 

tłumaczenia)

• analiza obrazu i dźwięku

ZAGADNIENIA AI

• Stworzenie maszyn o 

inteligencji dorównującej 
(przewyższającej) ludzką.

• Stworzenie maszyn 

(algorytmów) przejawiających 
tylko wąski aspekt inteligencji 
(grających w szachy, 
rozpoznających obrazy, czy 
tworzących streszczenia tekstu).

Pewne definicje inteligencji z 

1921, Journal of Educational 

Psychology

• “

The ability to carry on abstract 

thinking” (L. M. Terman)

•

“Having learned or ability to learn to 
adjust oneself to the environment” (S. 
S. Colvin)

•

“The ability to adapt oneself adequately 
to relatively new situations in life” (R. 
Pintner) 

•

“A biological mechanism by which the 
effects of a complexity of stimuli are 
brought together and given a somewhat 
unified effect in behavior” (J. Peterson)

•

“The capacity to acquire capacity” (W. 
Woodrow)

•

“The capacity to learn or to profit by 
experience”
(W. F. Dearborn)

SZTUCZNA INTELIGENCJA

(ARTIFICIAL INTELLIGENCE)

• Nauka o maszynach realizujących 

zadania, które wymagają
inteligencji wówczas, gdy są
wykonywane przez człowieka.

Wiele różnych, często sprzecznych definicji.

SZTUCZNA INTELIGENCJA

(ARTIFICIAL INTELLIGENCE)

• Maszyna jest 

inteligentna, jeżeli 
znajdujący się w 
drugim pomieszczeniu 
obserwator nie zdoła 
odróżnić jej 
odpowiedzi od 
odpowiedzi człowieka.

Test Turinga

SZTUCZNA INTELIGENCJA

(ARTIFICIAL INTELLIGENCE)

• Nauka o tym, w jakich inteligentnych 

czynnościach człowieka można obyć
się bez inteligencji.

• Dział informatyki, którego 

przedmiotem jest badanie reguł
rządzących inteligentnymi 
zachowaniami człowieka, tworzenie 
modeli formalnych tych zachowań i -
w rezultacie - programów 
komputerowych symulujących te 
zachowania.

SZTUCZNA INTELIGENCJA

A  INTELIGENCJA OBLICZENIOWA

Dział informatyki zajmujący 

się problemami:

• trudnymi do modelowania 

i rozwiązywania w  
sposób ścisły, analityczny, 

• niealgorytmizowalnymi, 

• obliczalnymi, ale 

nieefektywnie,

•

algorytmizowalne, ale 

wymagają użycia  innych 
niż klasyczne metod .

INTELIGENCJA OBLICZENIOWA

Metody rozwiązywania takich trudnych  

problemów dostarcza rozwijany przez 
matematyków i informatyków  nowy 
kierunek badań zwany  

inteligencją

obliczeniową

.   Jej rozwój datuje się od lat 

60-tych ubiegłego wieku. 

•

1.Adaptacja

•

2.Korzystanie z doświadczenia

•

3.Korzystanie z wiedzy

•

4.Wyciąganie  wniosk

ó

w

•

5.Abstrakcyjne myślenie

•

6.Poczucie humoru

•

7.Samoświadomość

•

8. Zdolność planowania

•

9.Zdolność przewidywania

•

10. Selekcja informacji

•

11.Zdolność komunikacji

•

12.Uczenie się

•

13.Dokonywanie wyboru

Może być ciekawe wybrać te własności, które są wspólne z inteligencją

maszynową - sztuczną.

Własno

ś

ci charakteryzuj

ą

ce inteligencj

ę

ludzk

ą

Test   IQ

Wstawić następny z zestawu A -F

HISTORIA AI - SZACHY

• ok. 1948 – pierwsze programy szachowe
• 1951 – A. Turing: 

Nikt nie jest w stanie ułożyć

programu lepszego od własnego poziomu gry

.

• 1967 – pierwsze zwycięstwo komputera nad 

„profesjonalnym” szachistą podczas turnieju

• 1977 – pierwsze zwycięstwo nad mistrzem klasy 

międzynarodowej (jedna partia w symultanie)

• 1997 – Deep Blue wygrywa pełny mecz z 

Kasparowem 

(specjalny superkomputer 418-procesorowy; 

wynik 3,5:2,5)

• 2003 – Deep Junior remisuje z Kasparowem mecz na 

warunkach przez niego określonych 

(8 zwykłych 

procesorów Intela 1,6 GHz; wynik 3:3)

CO OKAZAŁO SIĘ TRUDNE,

A CO ŁATWE

Łatwe:  zadania, do których wystarcza 
moc obliczeniowa (proste gry, np. 
warcaby) lub zapamiętanie wielu 
przykładów.

Trudne:  np. analiza języka naturalnego, 
bardziej skomplikowane gry (go), analiza 
obrazu.

Wykorzystywane techniki 

i modele

• Sieci neuronowe
• Wnioskowanie, indukcja reguł
• Algorytmy ewolucyjne
• Systemy wieloagentowe 

(współpraca )

• Automaty komórkowe
• Metody przeszukiwania 

możliwych rozwiązań i ich 
optymalizacji...

CO OKAZAŁO SIĘ TRUDNE,

A CO ŁATWE

1961

Przykład zagadnienia 

praktycznego

• Znaleźć, odczytać i 

zapamiętać numer 
rejestracyjny 
samochodu na 
podstawie zdjęcia:

logoUKW .gif.lnk

Odczytywanie tablic 

rejestracyjnych (1)

Oryginalne zdjęcie

Usunięcie zbędnych szczegółów

Lokalizacja napisów

Odczytywanie tablic 

rejestracyjnych (2)

Wyselekcjonowany obszar

Lokalizacja znaków

Rozpoznawanie znaków:
- znajdowanie istotnych cech 
liczbowych
- klasyfikacja na podstawie 
cech (systemy uczące się)

> 

classifier 

< Marks

> 

classifier

< not

Marks

> 

classifier

< not

Marks

> 

classifier

< not

Marks

> 

classifier

< Marks

> 

classifier

< not

Marks

Rozpoznawanie twarzy

(nauka)

Rozpoznawanie twarzy

> Classifier > 

Marks

UWAGA: TEN OBRAZ

NIE NALEŻAŁ DO PRÓBKI 

TRENINGOWEJ!!!

Narzędzia AI

• ANN- artificial neural networks

• Genetic and evolutionary algorithms

(genetic=binary chromosomes)

• Fuzzy logic, fuzzy sets, fuzzy controllers

• Decision trees (drzewa decyzyjne)

• Celullar automata (automaty komórkowe)

• Rough sets (zbiory przybliżone), Pawlak’s sets

Tools of AI, cont.

• Wymienione narzędzia mogą się znaleźć

jako elementy większych systemów 
informacyjnych (tzw. Inteligentnych 
systemów informacyjnych) zwanych 
systemami doradczymi czy systemami 
eksperckim (ekspertowymi)

decision-supporting systems

LITERATURA

1.

Rutkowski L., Metody i techniki sztucznej inteligencji, Wydawnictwo
Naukowe PWN Warszawa 2005.

2.

Rutkowska D., Piliński M. i  Rutkowski L., Sieci neuronowe, 
algorytmy genetyczne i systemy rozmyte, PWN, Warszawa 1997.

3.

Piegat  A., Modelowanie i sterowanie rozmyte. Akademicka Oficyna 

Wydawnicza EXIT Warszawa 1999.

4.

Tadeusiewicz R., , Elementarne wprowadzenie do techniki sieci 
neuronowych z przykładowymi programami, Akademicka Oficyna 
Wydawnicza PLJ Warszawa 1998.

5.

Michalewicz Michalewicz,  Algorytmy genetyczne + struktury danych 
= programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, 1996

6.

Korbicz J.,  Obuchowski A., Uciński D., Sztuczne sieci neuronowe. 

Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, 
Warszawa, 1994.

7.

Osowski Stanisław, Sieci neuronowe w ujęciu algorytmicznym, 
Wydawnictwa Naukowo-Techniczne, Warszawa, 1996

8.

Ż

urada Jacek,  Barski Mariusz ,  Jędruch  Wojciech, Sztuczne sieci 

neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.

PROGRAM WYKŁADU

•

Sieci neuronowe: przegląd struktur oraz zastosowań, metody 
uczenia, propagacja wsteczna błędu

•

Logika rozmyta i liczby rozmyte

•

Problemy optymalizacji i przeszukiwania, klasyfikacja danych 

•

Algorytmy genetyczne: operatory, zastosowania do 
optymalizacji

•

Automaty i systemy komórkowe i  mrówkowe

•

Metody hybrydowe

KRYTERIA ZALICZANIA

• Ćwiczenia:

– Punkty z rozwiązanych zadań/ ew.colloquia.
– Co najmniej jeden projekt programistyczny
– Inne, ustalone przez prowadzących zajęcia

• Wykład:

– Dwa colloquia (nieobowiązkowe)
– Egzamin pisemny, jeden termin poprawkowy, 

trzeba mieć wcześniej zaliczone ćwiczenia

– Ocena co najmniej na 4.0 z ćwiczeń i zaliczone w 

punktach colloquia na wykładzie zwalniają z 
egzaminu (można mieć zaproponowaną
ocenę) 

– Brak możliwości „warunkowego” pisania egz.

Sztuczne sieci neuronowe

Geneza: Naśladowanie działania naturalnych neuronów
Cel historyczny: osiągnięcie zdolności uogólniania (aproksymacji) 
i uczenia się, właściwej mózgowi ludzkiemu.

• Wejście

– n stanów wejściowych x

1

,...,x

n

– stany mogą być cyfrowe lub analogowe

• Wyjście

– 0 lub 1

• Parametry perceptronu

– n wag połączeń w

1

,...,w

n

∈ℜ

– wartość progowa 

θ∈ℜ

Perceptron (Rosenblatt 1958)

Uwaga: pod pojęciem “perceptronu” rozumie się też czasem 
sieć połączonych jednostek (neuronów).

Perceptron

s

w x

i

i

i

n

=

=

∑

1

• Zasada działania

– Do każdego i-tego wejścia przypisana jest 

waga w

i

– Dla danych stanów wejściowych x

1

,...,x

n

liczymy sumę ważoną:

– Jeżeli s

≥θ

, to ustawiamy wyjście y = 1, zaś

w przeciwnym przypadku ustawiamy y = 0

Analogia z neuronem naturalnym







≥

↔

=

∑

.

.

0

1

p

p

w

x

w

y

i

i

θ

w

1

x

1

x

2

x

n

y

w

2

w

n

Jak opisa

ć

perceptron

• Perceptron opisuje jednoznacznie zbiór 

wag w

1

,...,w

n

∈ℜ

oraz wartość progowa 

θ ∈ℜ

• Wartości x

1

,...,x

n

∈ℜ

to zmienne 

pojawiające się na wejściu do modelu 
perceptronu

• Funkcja aktywacji:







≥

↔

=

∑

otherwise

x

w

y

i

i

θ

0

1

θ

= 2

1

1

x

1

AND

x

2

x

2

x

1

1

0

0

0

x

1

∧∧∧∧

x

2

0

1

1

0

1

1

0

0

x

2

x

1

θ

= 1

1

1

x

1

OR

x

2

x

2

x

1

1

1

1

0

x

1

∨∨∨∨

x

2

0

1

1

0

1

1

0

0

x

2

x

1

Co potrafi perceptron

Co potrafi perceptron

w

1

x

1

+ 

w

2

x

2

-

θ

= 

0

θ

≥

+

2

2

1

1

x

w

x

w

x

1

x

2

y=1

• Równanie perceptronu 

można potraktować jako 
równanie prostej (ogólnie: 
hiperpłaszczyzny w 
przestrzeni n-wymiarowej).

• Punkty leżące nad ową

prostą klasyfikujemy jako 1, 
zaś pozostałe jako 0.

AND

OR

XOR

Czego perceptron nie potrafi

• Pojedynczy perceptron nie 

potrafi odróżniać zbiorów 
nieseparowalnych liniowo, 
np. funkcji XOR.

• Odkrycie tych ograniczeń

(1969) na wiele lat 
zahamowało rozwój sieci 
neuronowych.

Zadanie  perceptronu  

• Zadaniem pojedynczego perceptronu jest 

jedynie:

– przetwarzanie jednostkowych informacji
– podejmowanie prostych decyzji
– przekazywanie wyników sąsiadom

• Dopiero w połączeniu z innymi węzłami 

uzyskuje się zdolność podejmowania 
złożonych decyzji