Parallel Systems Introduction

Informatica 2e semester: HOC 7

Informatica

2e semester: les 7

Slimme (deel II: hoofdstuk 5) versus intelligente (deel III:

hoofdstuk 9) algoritmen

Jan Lemeire

Informatica 2e semester

februari – mei 2019 1

“Is er een machine die even

slim of zelfs slimmer is als de

mens!?”

HAL

Film 1968

Computer HAL

Vandaag

1. Puzzel: herhaling & vervolg

2. Spel: minimax

3. Non-zero sum game

4. Leren

5. Deel III: slimme algoritmen versus

intelligentie

Herhaling

Jan Lemeire 7Pag. / 99

Oplossingsmethoden

Type 1: De oplossing kan berekend worden met een formule (analytisch).

Type 2: Je kunt de oplossing gericht zoeken of construeren (rechttoe-rechtaan).

Type 3: Je gaat alle mogelijke actiesequenties af om een oplossing te vinden.

Type 4: Door slimme keuzes (heuristieken) te maken, kan je verschillende actiesequenties uitsluiten.

Type 5: Je leert al doende welke de juiste keuzes zijn.


p. 31

Doorploeteren zoekboom

= Brute-force search

2 mogelijkheden: (1) depth-first : a-b-e-j-k-c-f-g-l-m-n-d-h-o-p-i-q

= backtracking

(2) breadth-first: a-b-c-d-e-f-g-h-i-j-k-l-m-n-o-p-q


p. 33


‘Domme rekenkracht’

Brute force: puur rekenen

Niet echt intelligent

Echter: zoekruimte wordt snel te groot!

10 stappen > 210≈1000 mogelijke sequenties

6x6 puzzel > 100 stappen > 2100≈1030 mogelijke sequenties

Kunnen we gerichter zoeken?



Oplossingsmethoden







p. 31


(3) Gericht zoeken: greedy search

Kies actie die oplossing korter bij brengt

Gebaseerd op een score

Puzzel:

Manhattan-afstand van stukje tot eindpositie

Sommeren over alle stukjes


p. 36

OK

Puzzel 1 in schuifpuzzel.jar

NOK

in de toekomst kijken noodzakelijk

of terugkeren op stappen

stukje 2 & 3 verwisselen in beginpositie

Puzzel 2 in schuifpuzzel.jar


4 bezochte noden (grijze nodes)

4+8 bekeken nodes (grijze nodes +

grijze wolk)

(3) Greedy search


(4) Best-first search

Idee student Ruben Pauwels (examen juni 2016): greedy search combineren met backtracking: als je vast zit, keer je terug op je stappen en neemt het tweede-beste pad.

Dus: sorteren op score, in een lijst de open nodes bijhouden

Open nodes = tot waar je gekomen bent in de verschillende takken die je al bekeken hebt

PriorityQueue gebruiken: sorteert de elementen volgens score (ascending/opklimmend: laagste eerste)

Implementatie = breadthfirst, maar dan PriorityQueue ipvFIFOQueue

https://en.wikipedia.org/wiki/Best-first_search


https://en.wikipedia.org/wiki/Best-first_search

public static <Zet> boolean breadthfirst (ZoekNode<Zet> startnode){FIFOQueue<ZoekNode<Zet>> openNodes =

new FIFOQueue<ZoekNode<Zet>>(1000); openNodes.add(startnode);

while(!openNodes.isEmpty()){ZoekNode<Zet> node = openNodes.get();

List<Zet> zetten = node.possibleMoves();for(Zet zet: zetten ){

ZoekNode<Zet> child = node.clone(); //copy!!child.move(zet);if (child.isSolution()){

System.out.println("Oplossing gevonden!");return true;

}openNodes.add(child);

}}return false; // geen oplossing gevonden

}

bestFirst

PriorityQueuePriorityQueue

poll()

Code breadth-first => best-first


Voorbeeld best-first

Als meerdere nodes met gelijke score: we nemen de jongste, volgens het lifo-principe (last-in, first-out) zoals bij een stack

(5) A-star: voorbeeld

http://en.wikipedia.org/wiki/A*_search_algorithm

Robot moet weg vinden (rood -> groen)

g-score = afstand vanaf start

h-score = afstand tot doel

Laagste scores (g-score + h-score) worden eerstbekeken: hierop sorteren met PriorityQueue

Alles is hetzelfde als best-first, enkel dat g-score wordt toegevoegd

public static <Zet> boolean breadthfirst (ZoekNode<Zet> startnode){FIFOQueue<ZoekNode<Zet>> openNodes =

new FIFOQueue<ZoekNode<Zet>>(1000); openNodes.add(startnode);

while(!openNodes.isEmpty()){ZoekNode<Zet> node = openNodes.get();

List<Zet> zetten = node.possibleMoves();for(Zet zet: zetten ){

ZoekNode<Zet> child = node.clone(); //copy!!child.move(zet);if (child.isSolution()){

System.out.println("Oplossing gevonden!");return true;

}openNodes.add(child);

}}return false; // geen oplossing gevonden

}

aStar

PriorityQueuePriorityQueue

poll()

Code breadth-first => aStar

Code identiek aan best-first!

Enkel score is anders


Best-first en a-star

In vierkant: a-starscore

Als meerdere nodes met gelijke score: we nemen de jongste, volgens het lifo-principe (last-in, first-out) zoals bij een stack


(6) Iterative Deepening

Start met beginsituatie als beginnode

Doe iteratief tot oplossing gevonden of maximale diepte bereikt

Vanaf de node de zoekboom uitwerken (breadth-first van links naar rechts) tot een zekere diepte (horizon)

Stoppen als een oplossing gevonden wordt

Selecteer hoogste score uit de bladeren (nodes op diepte van horizon)

- Als verschillende nodes met dezelfde score, behouden we de eerste node die we tegenkwamen

Voer de zet uit die naar de hoogste score leidt

– Deze node wordt de nieuwe beginnode voor de volgende iteratie

Je zet dus 1 stapje en werkt opnieuw de zoekboom uit tot de horizon. Boom wordt dus telkens 1 level dieper uitgewerkt.


p. 39

Niet in cursus


(6) Iterative Deepening

Boom van 4 diep:


5

3

4

3

3

2

5

5

4

3

4

5

4

5

4

5

7

6

7

6

UP

LEFT

DOWN UP

RIGHTRIGHT

RIGHT

DOWN UP

LEFT LEFT

LEFT

UP

RIGHT UP

RIGHT

DOWN

UPRIGHT

4

5

7

66

UP

LEFT UP

LEFT

RIGHT

5

7

7DOWN

UPLEFT


Iterative Deepening stap 2

Boom uitwerken vanaf

Met diepte 4 komen we er niet…

Wat is noodzakelijke horizon om oplossing tebereiken?


NOK

Jan Lemeire 24Pag. / 99Informatica 2e semester: HOC 7

We hebben een app gemaakt waarmee je de 6 algoritmen

kan vergelijken en zelf ook het spel spelen. Te vinden als

SchuifPuzzel.jar op parallel website (Theorie – Les 7)

of als Schuifpuzzel.java in package Schuifpuzzel.Deze code verschilt van die uit package zoeken om het spel

interactief te maken.

We tellen het aantal bekeken nodes (niet bezochte nodes)

als maat voor de zoektijd.


Oefening


• Gegeven: zoekboom met scores (niet zeker een perfecte inschatting).

• Doel: score 0

• Pas de 6 verschillende zoekalgoritmen toe (horizon=2).

• Vergelijk de snelheid om een oplossing (zwarte node) te vinden.

• Vergelijk voor het vinden van de kortste oplossing (minst aantal stappen).

• Welke algoritmen garanderen de kortste oplossing?

p. 40


Score in zoekruimte

Probleem: terechtkomen in lokaal maximum



Fitness landscape

Biologische evolutie van soorten

Fitheid: bepaald door zijn aangepastheid aan de omgeving

Natuurlijke selectie

Verandering bouw en het gedrag door genetische mutaties

Evolutie van soorten

Klimmen en sprongen door het fitness landscape

elke stabiele soort op een bergtopje zit

Evolutie nabootsen: genetisch algoritme


p. 41


Genetisch algoritme


Initële populatie Sommige individuën muteren Enkel de besten overleven


Verdere verbeteringenpuzzelalgoritme

a) puzzel rij-per-rij afwerken.

• Score enkel op eerste rij definiëren, vervolgens op 2e rij, …

• Behalve de laatste twee rijen, die tegelijkertijd aanpakken

• Beperkte horizon OK

b) Leren (type 5): zie later

c) Regels opstellen

➢ Type 1 probleem


p. 42

Hoe generiek

programmeren?

niet te kennen,

optioneel – als vervangvraag


Generieke implementatie

Via abstractie is het algoritmealgemeen bruikbaar

Code + uitleg staat op website

Java package ‘zoeken’

Niet te kennen

Optioneel: als vervangvraag (in de plaats van een andere vraag)


interface Node {boolean isOplossing();List<Zet> volgendeZetten();void doeZet(Zet zet);void ontdoeZet(Zet zet);Node clone();

}interface Zet{

}


Uitdaging: algemene oplossing

onafhankelijk van het specifieke probleem dat je wenst op te lossen!

Wat moet je weten om de boom aan te maken?

Je moet de mogelijke acties kennen. Met de actie kom je in een nieuwe situatie, je bereikt een nieuwe toestand. Je wilt ook weten of je de gevraagde eindsituatie bereikt hebt.

Allemaal operaties op de toestand


Probleemspecifieke code

Document op website

Link tussen algoritme en probleem gegeven door interface

NP-complete

problemen


NP-compleet: traveling salesman problem

Meest efficiënte volgorde om alle steden af te lopen?


15! = 1.307.674.368.000 mogelijke volgorden

p. 43


NP-complete (=Not Polynomial time)

Klasse van problemen

Voor optimale oplossing: exponentiële zoektijd

Zoekruimte = td (t: aantal takken per node, d: diepte)

je moet bijna alle mogelijkheden afgaan wil je zeker zijn de beste oplossing te vinden.

Er bestaan geen grote shortcuts!

O(poynomiaal) << O(exponentiële functie)

Bijvoorbeeld: O(n10) << O(2n)


n n10 2n

20 2010 ≈1013 220 ≈ 106

1000 100010=1030 106.1050=1056

1000000 1060 21000000 ≈ 106.1050000=1050006

p. 4


Een goede oplossing

Maar niet te bewijzen dat optimaal…

zie http://ai4r.rubyforge.org/geneticAlgorithms.html

https://www.youtube.com/watch?v=94p5NUogClM.


http://ai4r.rubyforge.org/geneticAlgorithms.html

https://www.youtube.com/watch?v=94p5NUogClM


Nog een voorbeeld: plannen van automatische opslagplaatsen



Spel

Je speelt tegen een tegenstander, hebt een aantal acties ter beschikking, speelt om beurten en er is een einddoel of eindscore bepaald. Of varianten hierop.

Zero-sum game: iemand wint – andere verliest


p. 44


OXO: uitrekenbaar


X begint255.168 possible games

Zonder symmetrieen: 26.830

Winst voor X: 131.184

Winst voor O: 77.904

Gelijkspel: 46.080


Schaken

Evaluatiefunctie (score)

1. Waarde van de stukken

2. Positie van de koning

3. Controle over het middenveld (de 4 middelste vakjes)

4. Positie van de pionnen

– Bijvoorbeeld, of ze aaneensluitend gepositioneerd zijn

5. Positie van de stukken

– bijvoorbeeld, hoeveel de bewegingsvrijheid van elk stuk



Zoekboom met scores

Wit & zwart spelen om beurten

Score te maximaliseren door wit

Wat moet wit doen: links of rechts?


4

White plays

Black plays

White plays

Black plays

3

5

4 5

7

7 6

8

4

5 3

6

8 7

5

5

6

3 8

6

2 8

7

6

9 6

9

7 9

8


Greedy search

Wit kiest voor rechts, zwart voor links, wit voorlinks en zwart voor links

Eindscore = 2 ( is laagste van de hele boom!)


4

White plays

Black plays

White plays

Black plays

3

5

4 5

7

7 6

8

4

5 3

6

8 7

5

5

6

3 8

6

2 8

7

6

9 6

9

7 9

8


Twee zetten vooruit denkenWit kiest nog steeds voor rechts, want zwart kiest dan voor links => score van 5. Als wit voor links koos zou zwart voor links kiezen => score van 3.

Zwart kiest voor links, want daar kan wit slechts 7 behalen. Vervolgens kiest wit voor rechts want zwart kan daar slechts een score van 3 behalen.


4

White plays

Black plays

White plays

Black plays

3

5

4 5

7

7 6

8

4

5 3

6

8 7

5

5

6

3 8

6

2 8

7

6

9 6

9

7 9

8


Minimax: wat doet zwart?

Kiest zet die score minimaliseert


p. 46

White plays

Black plays

White plays

Black plays

4 57 6 5 38 7 3 82 8 9 67 9MIN

Enkel score van de laagste

nodes is van belang!!!


Minimax: wat doet wit?

Kiest zet die score maximaliseert


White plays

Black plays

White plays

Black plays

4 5

4

7 6

6

5 3

3

8 7

7

3 8

3

2 8

2

9 6

6

7 9

7

MIN

MAX


Minimax: zwart


White plays

Black plays

White plays

Black plays

6

4 5

4

7 6

6

7

5 3

3

8 7

7

3

3 8

3

2 8

2

7

9 6

6

7 9

7

MIN

MAX

MIN


Minimax: wit beslist

Links geeft score ‘6’ (met horizon van 4)


6

White plays

Black plays

White plays

Black plays

6

6

4 5

4

7 6

6

7

5 3

3

8 7

7

3

3

3 8

3

2 8

2

7

9 6

6

7 9

7

MIN

MAX

MIN

MAX


Wat gebeurt bij horizon = 3?



Snoeien van de boom

‘Pruning’

Alfa-beta pruning: als tegenstander beschikt over eensuccesvolle actiesequentie => geen zin om dit deel verderte bekijken

Voor sommige situaties dieper gaan

Regels die hierover beslissen



Computer wint van Mens

1997: IBM’s Deep Blue verslaat wereldkampioen Gary Kasparov

Nadien enkele revanches van de mens, verschillende gelijke spelen, maar nu wordt geaccepteerd dat de computer sterker is

Computerschaak

Brute-force search: veel rekenen, weinig ‘redeneren’

– Evalueert 200 millioen posities per seconde

Niet goed in strategisch denken



Is dit Artificiële Intelligentie?

Betwijfel hetJan Lemeire, An Alternative Approach for Playing Complex Games like Chess”, Annual machine learning conference of Belgium and The Netherlands (BeneLearn 2008), Spa, Belgium 2008. zie mijnhomepage

Idee: opportuniteit (patronen) – checken of einddoelgehaald kan worden – enkel branches nagaan die relevant zijn?

Gericht zoeken in boom mogelijk


p. 48

)


Opportuniteit: vork

Opportuniteit

geslaagd


Opportuniteit: vork

We bekijkenenkel relevantezetten die invloedkunnen hebben(pruning)

Opportuniteit

teniet gedaan


Moeilijkheid: patronen

“We bekijken enkel relevante zetten die invloed kunnen hebben (pruning)”

Wat zijn de relevante zetten? Hoe herkennen we ze?

Patronen definiëren/herkennen



Go

Strategisch-tactisch bordspel waarbij mens nog steeds wint van computer

Regel: als vijandelijke stukken zijn ingesloten

Weg

Hier: wit stukje

op A plaatsen



16 maart 2016

AlphaGo defeats Lee Sedol 4–1 in Google DeepMind Challenge Match


https://gogameguru.com/alphago-defeats-lee-sedol-4-1/

Non-zero sum games


Prisoner’s dillema

Henry & Dave beschuldigd van misdrijf

Rechter roept hen apart bij zich en vraagt hen of de ander schuldig is

Antwoord bepaalt straf:


p. 49

Dave zegt over Henry

Henry zegt over Dave


Iterative Prisoner’s dillema

Samenwerken of bedriegen?

Iteratief toepassen

Op termijn speelt vertrouwen mee

Cf vertrouwen op het internet om iets te kopen van eenvreemde…

De basis van de speltheorie (game theory) in economie

Er is een win-win situatie (samenwerking)!



Loopgrachtenoorlog

Resulteerde in bestanden tussen de soldaten van beide kanten

Van akkoorden over eetpauzes tot afspraken over (ongevaarlijke) schietuurtjes om de officieren te plezieren(doen alsof er echt gevochten werd)

Iterative prisoner’s dilemma!!

Je kan het bestand schenden en de ander bij verrassingaanvallen

Maar op lange termijn heb je meer baat bij samenwerking

De legerstaf moest maatregelen nemen om deze‘natuurlijke’ evolutie tegen te gaan



Iterative Prisoner’s dillema

Samenwerken of bedriegen?

Wat is beste strategie?

Toernooien worden gespeeld

Elk duel bestaat uit 100 opeenvolgende beslissingen

Winnaar: oog-om-oog, tand-om-tand


Verraad

Samen-werking Verraad

0 1

1 0Samen-werking

Volgende zet

La

ats

te z

et

teg

en

sta

nd

er


Oplossingsmethoden







De Standaard – 26 februari 2015

“Een computer van Google DeepMind heft zichzelf 49 spelletjes op de klassieke Atari 2600-console aangeleerd, en spelt nu even goed of beter daneen mens. Kinderspel? Allerminst. Misschien is het zelfs een doorbraak in artificiële intelligentie.”


Leren: de theorie

Te definiëren

de mogelijke toestanden

de mogelijke acties

de beloning/straf

Strategie

Staat -> actie


staat 1

staat 2

staat 3

staat 4

actie 1

actie 2

actie 3

State space Action space

staat 1

staat 2

staat 3

staat 4

actie 1

actie 2

actie 3

State space Action space

p. 50


Reinforcement learningMatrix van gewichten bijhouden

Gewicht geeft effectiviteit van actie aan

Initieel: alle gewichten gelijkExploratiefase: acties worden willekeurig gekozen

Later: keuze ~ gewicht (P(actie) ~ gewicht)

Exploitatiefase: actie met grootste gewicht kiezen

goed om soms andere acties te kiezen, want het spel kan dynamisch veranderen


staat 1

staat 2

staat 3

staat 4

actie 1 actie 2 actie 3

4.1 3.8 6.7

12.3 1.2 15.6

8.7 10.2 0.2

2.3 8.7 1.7


Reinforcement learning: update

Als winst/verlies, de laatste acties belonen/afstraffen

eventueel met ‘forgetting factor’: kleinere aanpassing

voor oudere acties


staat 2actie 1

staat 3actie 1

staat 1actie 2

staat 1actie 3

staat 4

Winst 10+2 +1.5 +1 +0.5


AI op school


De standaard 23 maart 2019

Leerlingen voeren oefeningen

uit met programma.

Het leert hoe goed een leerling

het doet

=> Een vorm van

reinformcement learning


Iterative Prisoner’s Dilemma

Reinforcement learning

Gebaseerd op n laatste zetten

n=2: 16 mogelijkheden

Gewicht voor de volgende zet aanpassen als tegenstander het omgekeerde doet

Leidt dit tot een goede strategie??


S/S S/V

Samen-werking Verraad

4.1 3.8

12.3 1.2

8.7 10.2

2.3 8.7

S/S S/S

Als

tegenstander

S/S V/V

-5% Verraad

Samen-werking

+5%

+5% -5%

S/S V/S

... ...

Volgende zet

La

ats

te z

ett

en


Mijn masterproef

De evolutie naar coöperatie

Egoistische robotjes leren samenwerken omdat het hun wederzijds voordeel oplevert (win-win)

Mijn onderzoek: onder welke voorwaarden ontstaater coöperatie?



Blad-steen-schaar

Enkel laatste zet beschouwen: 9x3 gewichten


bl – bl

blad steen

4.1 3.8 3.6

12.3 1.2 1.8

8.7 10.2 3.4

2.3 8.7 7.8

4.1 3.8 3.6

12.3 1.2 1.8

8.7 10.2 3.4

2.3 8.7 7.8

4.1 3.8 3.6

bl - st

bl - sc

Volgende zetL

aa

tste

ze

t

schaar

st – bl

st - st

st - sc

sc – bl

sc - st

sc - sc

p. 52


Patroon gebruiken

Slechts 9 gewichten te leren


winst

verander blijf

14.1 3.8 3.6

14.3 1.2 1.8

11.7 1.2 8.4

verlies

gelijk

Volgende zetL

aa

tste

ze

trandom


Minimax: Leren van evaluatiefunctie

Net zoals bij de schuifpuzzel kunnen we onmogelijkvoor elke situatie de beste actie leren

Wel mogelijk:

Aanpassen van parameters met behulp van feedback (winstof verlies)

Voorbeeld: gewichten van de score-functie, aangezien dezeuit meerdere delen bestaat.

Zoals evaluatiefunctie van schaken


p. 53


Probleem: explosie van staten

Stel: voor elke toestand (staat) willen we beste zetleren

Schuifpuzzel: 9! mogelijke configuraties

Schaken: nog groter

Te veel mogelijkheden om voor elke toestand de beste actiete leren (mapping van staat op actie)!

Mogelijke oplossing: abstracte regels gebruiken

Als X, doe actie Y

X: eigenschap van staat– geldt dus voor meerdere staten!

Leren van relevantie van regels (zie scorefunctie)



Hoofdstuk 9: Artificiële intelligentie

(1) Digitaal & binair

(4) Hardware architectuur

(5) Efficiënt productieproces

(6) Computatietheorie & Software

Elektronica: (2) ‘relais’-schakeling,

(3)geheugen

(7) Operating system

(8) Communicatie &

internet

(9) Artificiële

intelligentie

Informatica deel III: technologie, historiek en economische aspecten

Waarmaken van Leibniz’s droom

(0) Het idee

Artificiële

Intelligentie,

de grote uitdaging

“Is er een machine die even

slim of zelfs slimmer is als de

mens!?”

Volgende vragen kunnen beantwoorden:

• Wat is volgens u intelligentie?

• Is de huidige computer al intelligent?

• Zijn we al goed op weg naar een intelligente computer?

Wat verwacht je in de nabije toekomst?

Wanneer spreken we over intelligentie?

Er is verschil tussen slimme algoritmen en intelligentie!

Type A: Patronen herkennen

Type B: Symbolisch = tekens die een betekenis(semantiek) hebben

– ‘begrijpen’ is noodzakelijk voor intelligentie

AI: Type (A) toepassingen

Stemherkenning

Wat je zegt lukt redelijk momenteel

maar herkennen wie spreekt, kan computer niet

Spreken met de computer, zullen we het ooit? willen we het?

Objectherkenning

Vbn: security, gezichtsherkenning in facebook, verkeersbordherkenning, nummerplaatherkenning bij ingangVUB

Echter moeilijk bij slecht weer, donkerte, …

Spel: patronen bepalen strategie/tactiek

Computer = brute force, niet met gebruiken van patronen

Mooie resultaten worden behaald. Maar robots kunnen nog niet voetballen of zo…

Automatische verkeersbordherkenning in de auto

Verkeersbordherkenning

Met een neuraal netwerk (gebaseerd op hoe hersens werken)

IN

PU

T

OU

TP

UT

OUTPUT:Code van verkeersbord

Zo’n neuraal netwerk is ook de basis van ‘deep learning’, de nieuwste. De gewichten van het hele network worden geleerd, ook de diepste lagen.

Lobe.ai: https://www.youtube.com/watch?v=IN69suHxS8w

De Standaard – 26 februari 2015

“Een computer van Google DeepMind heft zichzelf 49 spelletjes op de klassieke Atari 2600-console aangeleerd, en spelt nu even goed of beter daneen mens. Kinderspel? Allerminst. Misschien is het zelfs een doorbraak in artificiele intelligentie.”

AI: type (B) toepassingen

Google searchAsk Jeeves: je kan vragen stellen

Vertalingen: hoe goed/slecht is Google Translate?

Consumentenprofiel adhv historische gegevensGrootwarenhuizen

Facebook, google: aangepaste reclama

Recent: gebruik in USA om politieke voorkeur te beïnvloeden

Is dit intelligent??

Wanneer spreken we over intelligentie?

Er is een verschil tussen slimme algoritmenen intelligentie!

Veel van wat we intelligent noemen is in feite slechtsgebaseerd op een goed doordacht algoritme

Het leeralgoritme van Google Deepmind heeft veel tijdnodig om te leren en kan de resultaten nietextrapoleren van 1 spel naar een ander.

Intelligentie heeft, volgens mij, te makenmet begrijpen


Wat is intelligentie?

Informatie

Redeneren

Begrijpen

Wikipedia: abstract thought, understanding, self-awareness, communication, reasoning, learning, having emotional knowledge, retaining, planning, and problem solving.

Taal (noodzakelijk?)

Verschil tussen slimme algoritmen en intelligentie!

Er is nog geen eenduidige definitie van intelligentie!

http://en.wikipedia.org/wiki/Abstraction

http://en.wikipedia.org/wiki/Understanding

http://en.wikipedia.org/wiki/Self-awareness

http://en.wikipedia.org/wiki/Communication

http://en.wikipedia.org/wiki/Reason

http://en.wikipedia.org/wiki/Learning

http://en.wikipedia.org/wiki/Emotional_knowledge

http://en.wikipedia.org/wiki/Memory

http://en.wikipedia.org/wiki/Plan

http://en.wikipedia.org/wiki/Problem_solving


Turing Test (1950)

'Can machines think?’

Artificiële intelligentie…

Kunnen we verschil maken tussen mens

en computer?


MensComputer

Alan Turing

1912-1954

Omdat er geen duidelijke definitie bestaat over wat intelligentie inhoudt en wijals mens prototype zijn van intelligentie, bedacht Turing een test. Door vragente stellen tracht je te ontdekken of er achter het scherm een computer of mens bevindt. Als we geen verschil meer kunnen maken, kunnen we de computer intelligent noemen.

Turing test

http://www.turinghub.com/

http://www.loebner.net/Prizef/loebner-prize.html

Je kan je intelligent programma opladen

100.000 dollar als je programma slaagt voor de Turing test

http://cleverbot.com/Communiceer je met een computer of met een mens?

http://www.turinghub.com/

http://www.loebner.net/Prizef/loebner-prize.html

http://cleverbot.com/

Turing test for bots

“The idea is to evaluate how we can make game bots, which are Non-Player Characters (NPCs) controlled by AI algorithms, appear as human as possible.”

Unreal Tournament 2004 (results)tournament against one another and about an equal number of humans

tag opponents as human or bot.

http://en.wikipedia.org/wiki/Unreal_Tournament_2004

http://www.utexas.edu/news/2012/09/26/artificially-intelligent-game-bots-pass-the-turing-test-on-turing%E2%80%99s-centenary/

Piet Vroon(professor pshycholigie uGent)

Drie soorten hersens

Instinct (Hersenstam/hypothalamus - reptielenherses)

Conditionering (Limbisch systeem - zoogdierenbrein)

Intelligentie (Neocortex – meest recente hersens)

Evolutie van de mens

1 miljoen jaar geleden: evolutionaire sprong

(vuur – werktuigen)

50.000 jaar geleden: finale evolutionaire sprong

(taal?)

Geest is federatie van delen

Daden gevolg van combinatie 3 hersens

1990

The evolution of the human’s cognitive capacities

Merlin Donald, 1991

Episodische cultuur

Nabootsende cultuur

Mythische cultuur

Kennis-cultuur

De ontwikkeling van onze hersens

Episodische cultuur (zoogdieren en vogels): events herkennen en linken aan actie ( = conditionering ≈ reinforcement learning)

Nabootsende cultuur: vaardigheden (vervaardigen werktuigen) leren door imitatie

Elkaar begrijpen door gebaren, kreten en herkennen van emoties (gelaatsuitdrukkingen en stem’timbre’)

Mythische cultuur: taal voor communicatie en overdracht van ‘mythes’

Kenniscultuur: door schrift (ook wiskundige notaties)

Elke cultuur zorgt voor een nieuwe laag hersens. De oude blijven bestaan!

Volgens mij

Met een graduele verbetering van de huidige technieken komen we er niet…

Echte ontdekking moet nog gebeurenHoe we informatie opslaan/verwerken/gebruiken

Natuurlijke taal?

Wie is het genie die dit gaat ontdekken?

Mijn drijfveer om informatica te gaan doen

Herkennen van legoblokjes

Robot voor het sorteren van legoblokjes

dit bestaat nog niet!

Nieuwe uitdaging

Conclusie voor ingenieur

Er is gespecialiseerd onderzoek naar A.I.

Maar meestal is engineering nog noodzakelijk

Meestal zijn simpele, slimme oplossingen even goed

Zware A.I.-technieken nog weinig in gebruik, nog nietvoor meteen

Gebruik je intelligentie en ingenioziteit om adequate oplossing te vinden

Helen Greiner (2015): “in de AI worden we om de 5 jaar heen en weer geslingerd tussen het idee dat de technologie op het punt staat de wereld te veroveren, en de totale teleurstelling”

Parallel Systems Introduction

Documents

Transcript of Parallel Systems Introduction