Intelligens modellezési módszerek: Intelligens modellezési módszerek: Mikor megoldás a megoldhatatlanra?Mikor megoldás a megoldhatatlanra?

VárkonyiVárkonyiné né KóczyKóczy AnnamáriaAnnamária

Óbudai Egyetem, Mechatronika és Autótechnika Intézet

varkonyi-koczy@uni-obuda.huvarkonyi-koczy@uni-obuda.hu

2

TartalomjegyzékTartalomjegyzék

• Motiváció: Miért van szükségünk valami „nem klasszikusra”?• Mi is az a „Gépi Intelligencia” (GI)?• Hogyan „működik” a GI?• Néhány idetartozó módszer

– Fuzzy logika– Neurális hálózatok– Genetikus algoritmusok– Anytime technikák

• Gyakorlati kérdések mérnöki szemmel• Összefoglalás – A GI valóban megoldás lehet megoldhatatlan

problémákra?

3

MotivMotivációáció: : Miért van szükségünk Miért van szükségünk valami „nem klasszikusra”valami „nem klasszikusra”? ?

• A rendszerek és megoldandó feladatok nemlinearitása, korábban soha nem tapasztalt térbeli és időbeli komplexitása

• Pontatlan, bizonytalan, hiányos, nem egyértelmű, ellentmondó információ, teljes tudáshiány

• Véges erőforrások Szigorú időkövetelmények (valós-idejű feldolgozás)

• Igény az optimalizálásra+

• Felhasználói kényelem

Új kihívások/bonyolult problémák kifinomult megoldásokra

4

A feladatokA feladatok soha nem tapasztalt térbeli soha nem tapasztalt térbeli és időbeli komplexitásaés időbeli komplexitása

Hogyan vezetünk csúcsforgalomban?

Sok elemű, nagyon összetett rendszer. Meg lehet oldani klasszikus vagy mesterséges intelligencia-beli módszerekkel?

Amennyire tudjuk, nem.

De mi, EMBEREK, igen.

Szeretnénk olyan GÉPEK-et építeni, amelyek szintén képesek rá.

Az autónk, üzemanyag takarékosság, időnyerés, stb..

5

A feladatokA feladatok soha nem tapasztalt soha nem tapasztalt térbeli és időbeli komplexitásatérbeli és időbeli komplexitása

Segítség:

• Megnövekedett számítógép kapacitás és képességek

• Modell bázisú megközelítés

• Új modellezési technikák

• Közelítő számítások

• Hibrid rendszerek

6

Pontatlan, bizonytalan, hiányos, nem Pontatlan, bizonytalan, hiányos, nem egyértelmű, ellentmondó információ, egyértelmű, ellentmondó információ,

teljes tudáshiányteljes tudáshiány• Hogyan jutok el a Csattogó völgybe?

(1. személy: 2/a, 12 út. A verőcei állomásnál jobbra, aztán egyenesen 2 saroknyit, majd balra, és tovább egyenesen ... NEM: mégegyszer balra) (2. személy: A verőcei állomásnál kétszer jobbra, aztán egyenesen 1, 2, 3, ..., kb. 5 saroknyit, de tovább nem tudom) (3. személy: Valahol a 12-es út mentén van, de nemrég még le volt zárva az út ...)

• Képzeljük el, hogy esik az eső • Az útról nem látszik az állomás• Ráadásul nem tudom, hol van az Óbudai Egyetem sátra és a Kós Károly

terem (És melyikben is lesz a Műszaki szekció? És hánykor???? Szombaton vagy vasárnap?) (Sajnos elromlott az internetem ...)

• Kérdés: Melyik nap és hány órakor kell otthonról elindulnom? Ki (személy vagy gép) tud nekem OPTIMÁLIS választ adni?

7

Pontatlan, bizonytalan, hiányos, nem Pontatlan, bizonytalan, hiányos, nem egyértelmű, ellentmondó információ, egyértelmű, ellentmondó információ,

teljes tudáshiány teljes tudáshiány

Segítség:

• Intelligens és lágyszámítási technikák, amelyek képesek kezelni az ilyen típusú problémákat

• Új adatgyűjtési és reprezentálási módszerek

• Adaptivitás, robusztusság, tanulási képesség

8

Véges erőforrások Véges erőforrások Szigorú Szigorú időkövetelmények (valós-idejű feldolgozás)időkövetelmények (valós-idejű feldolgozás)

• Most 8.15 van. Az előadásom 3 órakor kezdődik (remélem tényleg így van)

• Még nem főztem ebédet a családomnak• Üres a kocsim tankja, és nyilván nem fogok

taxival jönni Budapestről• Nem is reggeliztem• Ma estig le kell adnom a jövő félévi

kurzusaim időbeosztását Egyértelmű, hogy nem tudok mindent

maximális precizitással teljesíteni

9

Véges erőforrások Véges erőforrások Szigorú Szigorú időkövetelmények (valós-idejű feldolgozás)időkövetelmények (valós-idejű feldolgozás)

Segítség:

• Alacsony időigényű módszerek

• Flexibilis rendszerek

• Közelítő megoldások

• Minőségi feldolgozást és további döntéseket támogató eredmények

• Anytime technikák

10

Optimalizálás igényeOptimalizálás igénye

• Tradícionális felfogás:

optimalizáció = maximális pontosság• Új felfogás:

optimalizáció = költség optimalizálás

• De mi számít költségnek!?

a pontosság és a bizonyosság is költséget hordoz

11

Optimalizálás igényeOptimalizálás igénye

Nézzük az „IDŐT”, mint erőforrást:• A legfontosabb, hogy leadjam a jövő félévi

kurzusaim időbeosztását (másképp a hallgatók nem tudják időben felvenni a tárgyakat). Ezzel legalább 3 órát el kell töltenem

• Ebédet kell főznöm, de ma nem a hétvégén szokásos „ünnepi” ebédet, hanem egy „átlagos”, gyorsabb menüt állítok össze (1 óra)

• Nincs időm otthon reggelizni, ezért veszek egy szendvicset valahol (5 perc)

• Van busz is, de a vonat gyorsabb (igaz drágább), így vonatozom (2 óra 40 perc)

12

Felhasználói kényelemFelhasználói kényelem

• Meg kell kérdeznem valakitől az utat, de nem szeretnék sokat gyalogolni

• Máskor is ide szeretnék találni

• A mai út 3,5 órát vett igénybe. De mi lesz holnap?

• Jó lenne minél több segítséget kapni.

• ....

13

Felhasználói kényelemFelhasználói kényelem

Segítség:• Olyan modellezési és adatreprezentálási technikák,

amelyek lehetővé teszik egy rendszer– kezelését

– értelmezését

– jövőbeni viselkedésének becslését

– javítását

– optimalizálását, valamint

– a feldolgozás eddiginél nagyobb támogatását

14

Felhasználói kényelemFelhasználói kényelem

előfeldolgozásfeldolgozás

az előfeldolgozás célja egy alg. teljesítőképességének növelésea feldolgozás nagyobb támogatása (új)

képfeldolgozás / gépi látás:

zajszűrésjellemzők kiemelése (él, csúcspont detektálás)minta felismerés, stb.

3D modellezés, orvosi diagnosztika, stb.automatikus 3D modellezés, automatikus ...

feldolgozás

előfeldolgozás

Emberi nyelvModularitás, egyszerűség, hierarchikus felépítés

A feldolgozás célja

15

A megoldás legfontosabb elemei A megoldás legfontosabb elemei

• Alacsony komplexitású, közelítő modellezés• Adaptív és robusztus módszerek alkalmazása• A megfelelő költségfüggvény meghatározása és

alkalmazása, beleértve az egyes elemek hierarchiáját és fontosságának mértékét is

• Egyensúly találás a pontosság (részletgazdagság) és bonyolultság (számítási idő és erőforrás igény) között

• A további feldolgozás támogatása

Erre nem alkalmasak a hagyományos és MI módszerek.

De mi a helyzet az új megközelítésekkel, a GÉPI INTELLIGENCIÁVAL?

16

Mi is az a gépi intelligenciaMi is az a gépi intelligencia?? gép (Komputer) +

Intelligencia

Megnövekedett számítógépes képességek

Beépül az új módszerekkel

L.A. Zadeh, Fuzzy Sets [1965]:

“A tradicionális, „kemény” számításoknál a fő cél a pontosság, a bizonyosság és precizitás. Ezzel ellentétben a lágyszámítási módszerek kiinduló pontja az a tény, hogy a pontosságnak és a bizonyosságnak is van költsége, és a számítások, következtetések és döntések - ha csak lehetséges - ki kell használják a pontatlanság és bizonytalanság iránti tűrést.”

17

Mi is az a gépi intelligenciaMi is az a gépi intelligencia? ?

• A GI olyan módszertanok együttesének tekinthető, amelyek jelentőséggel bírnak az információs/intelligens rendszerek elgondolásában, tervezésében, és alkalmazásában.

• Az együttes legfontosabb elemei: fuzzy logika, neurális számítás, evoluciós számítás, anytime számítás, valószínüségi számítás, káosz és gépi tanulás.

• A módszertanok inkább együttműködnek és kiegészítik egymást, mint versengők.

• Ami közös bennük: Kihasználják a pontatlanság, bizonytalanság és részigazságok iránti tűrést, hogy ezáltal a valóságot jobban közelítő, kezelhetőbb, robusztusabb, olcsóbb megoldást kínáljanak.

18

A gépi intelligencia mind az öt követelménynek megfelel:

(-Alacsony komplexitás, közelítő modellezés -Adaptív és robusztus módszerek alkalmazása -A megfelelő költségfüggvény meghatározása és alkalmazása, beleértve az egyes elemek hierarchiáját és fontosságának mértékét is -Egyensúly biztosítása a pontosság (részletgazdagság) és bonyolultság (számítási idő és erőforrás igény) között -A további feldolgozás támogatása)

19

HoHogyan működik a gépi intelligenciagyan működik a gépi intelligencia??1. Tudás1. Tudás

• Információ gyűjtés (megfigyelés) (miről van szó)• Információ feldolgozás (numerikus , szimbolikus) (mit tudok)• Az információ tárolása és előhívása (később is tudni akarom)• Feldolgozási „struktúra” (algoritmus) keresése („mit kell

csinálni” megfogalmazása)• Biztos tudás (absztrakt világokban formális módszerekkel)• Bizonytalan tudás (mesterséges és valós világokban kognitív

módszerekkel• Tudáshiány• Tudás ábrázolás

20

HoHogyan működik a gépi intelligenciagyan működik a gépi intelligencia??1. Tudás1. Tudás

• A valóságban szinte minden optimalizás • Ex.1. Sebesség meghatározása = a sebesség optimális becslése a mért idő és megtett

távolság alapján • Ex.2. Ellenállás meghatározása = az ellenállás optimális becslése a mért áram és

feszültség segítségével• Ex.3. egy mérési eredmény elemzése = a mért mennyiség optimális becslése a

mérés körülményeinek figyelembevételével a mért adatok alapján (Milyen magas a kisfiam? – Kihúzta magát? Mezitláb van vagy cipőben? Pontos mérőrúddal vagy pontatlanabb papírszalaggal mérem? Cm vagy mm a beosztás? )

• Ex. 4. Napi időbeosztás • Ex. 5. Két város közötti optimális út

Az 1-3 példában az optimalizálás jellegzetessége egyértelmű és könnyen megadható A 4-5 példa is egyszerű, de a kritériumok nem egyértelműek

21

Optimális út:Optimális út:

Mi az optimum? (Szubjektív, függ az elvárásoktól, izléstől, a személy korlátaitól)- Szeretünk/tudunk-e repülővel, vonattal, autóval, stb. utazni Tegyük fel, hogy az autós utazást választottuk, de:- a legrövidebb út (legkevesebb üzemanyag), a leggyorsabb út (autópálya), a legszebb út (este hacsak lehet a pesti rakparton megyek, hogy lássam a kivilágított Várat és Lánchidat), amerre meg tudom látogatni egy-egy barátomat, ahol a kedvenc vendéglőim vannak, ...

Rendben, kössük meg, hogy mit részesít előnyben az adott személy személy :-Nyár van vagy tél, esik vagy jó az idő, útjavítás, árvíz miatt lezárva, ....

Ahogy a részletekbe belemegyünk, egyre közelebb jutunk a megoldáshoz

Szükségünk van tudásra a körülményeket és célokat jól leíró modell meghatározásához

A mai napra meg tudom adni, de igaz lesz ez 1 hónap múlva is?

22

2. Modell2. Modell• Ismert modell, pl. analítikus modell

(matematikai leírás differenciál egyenletekkel) – nem kezelhető, túl összetett

• Tudáshiány – a rendszerről megszerzett információ bizonytalan, hiányos

Új, pontosabb tudásra van szükségünk

A tudás ábrázolás (modell) kezelhető kell legyen és el kell viselje a felmerülő problémákat

23

Tanulás és modellezésTanulás és modellezés

Tanulás révén szerzett új tudás:

Ismeretlen, részben ismert, ismert, de kezelhetetlen, hiányosan definiált rendszer

Olyan modell kell, amely segítségével elemezni és jósolni tudjuk a rendszer viselkedését

+

Kell egy kritériumfüggvény (mérték) a modell hitelesítéséhez

24

Unknown system

Model

Criteria

Input

Parametertuning

Measure of the quality of the model

1. Megfigyelés (u, d, y), 2. Tudás ábrázolás (modell, formalizmus), 3. Döntés (optimalizálás, c(d,y)), 4. (A paraméterek) hangolása, 5. Környezeti hatások, (amit nem figyelünk meg, zaj, stb.) 6. Becslő képesség (jövőbeni esetek)

ud

y

c

25

Iteratív eljárás:

Építünk egy rendszert, amivel információt gyűjtünk

Javítunk a rendszeren (beépítjük az új tudást) Információt gyűjtünk

Az információ alapján jobb megfigyelés, több információ

26

Probléma

Tudásábrázolás,

Modell

A probléma nem ábrázolt része

Ábrázolt tudás Probléma független tér,

csak a modell formalizmusa köti a problémához

27

3. Optimalizálás3. Optimalizálás

• Ott érvényes, ahol a modell érvényes• Adott egy rendszer szabad paraméterekkel • Adott egy objektív mérték• A feladat úgy beállítani a paramétereket, hogy

minimalizáljuk, vagy maximalizáljuk a minőségi mértéket

• Szisztematikus és véletlen módszerek• Hasznosítás (meghatározott tudás) és felderítés (új

tudás)

28

A gépi intelligencia módszereiA gépi intelligencia módszerei

• fuzzy logika –alacsony komplexitás, előzetes tudás könnyű bevitele a számítógépbe, pontatlanság tűrése, könnyű értelmezhetőség

• neurális számítás - tanulóképesség• evoluciós számítás – optimalizáció, optimális tanulás

optimization,• anytime számítás – robusztusság, rugalmasság,

alkalmazkodóképesség, körülményeknek való megfelelés• valószínűségi következtetés – bizonytalanság tűrése,

logikusság• kaotikus számítás – nyitottság• gépi tanulás - intelligencia

29

Fuzzy LogiFuzzy Logikaka

• Lotfi Zadeh, 1965

• Tudás ábrázolás az emberi nyelv segítségével

• ”szavakkal való számítás”

• érzékelés

• érték elpontatlanítás jelentés pontosítás

30

AA fuzzy fuzzy elmélet történeteelmélet története• Fuzzy halmazok & logika: Zadeh 1964/1965-

• Fuzzy algoritmusok: Zadeh 1968-(1973)-

• Fuzzy controll: Mamdani & Al. ~1975-

• Ipari alkalmazások: Japan 1987- (Fuzzy robbanás), KoreaHáztartási elektronikaJármű vezérlésFolyamatirányításMinta felismerés & képfeldolgozásSzakértői rendszerekKatonai rendszerek (USA ~1990-)Űrkutatás

• Nagyon nehéz vezérlési problémák: Japan 1991-p.l. vezető nélküli helikopter

31

PéldaPélda• Osztály (p.l. akik épp a gépi intelligenciáról

hallgatnak egy előadást)

• Univerzum: X „éles” halmaz

• “Kinek van jogosítványa?”• X részhalmaza A „éles” halmaz (X) = KARAKTERISZTIKUS

FÜGGVÉNY

A:X{0, 1}

• “Ki tud jól vezetni?”

• X részhalmaza B „fuzzy” halmaz (X) = TAGSÁGI FÜGGVÉNY

B:X[0, 1]

1 0 1 1 0 1 1

0.7 0 1.0 0.8 0 0.4 0.2

FUZZY HALMAZ

32

Fuzzy Fuzzy viszonyítás, fuzzyviszonyítás, fuzzy következtetéskövetkeztetés• Fuzzy viszonyítás: X is P

‘Anna fiatal’, ahol:‘Anna’: éles, ‘fiatal’: fuzzy halmaz.

A kort nyelvi cimkével kifejező fuzzy halmazok

Anna

• Fuzzy következtetés: If X is P then Y is Q ‘Ha Anna fiatal, akkor Peti nagyon fiatal’

Peti

33

Fuzzy logikán alapuló vezérlésFuzzy logikán alapuló vezérlés

• Fuzzifikálás: egy numerikus értéket fuzzy-vá alakít, megadja az egyezés mértékét

• Defuzzifikálás: egy fuzzy értékat numerikussá alakít

• A tudásbázis tartalmazza a fuzzy szabályokat

• A következtetőgép írja le a módszertant, amivel a kimenet kiszámolható a bemenetetkből.

34

Okos Autó 1 - SzabályokOkos Autó 1 - Szabályok

A szabályok száma a problémától függ. Egyszerűség kedvéért most csak kettőt veszünk figyelembe:

1. Szabály: Ha a távolság két autó között kicsi és az én autóm sebessége nagy(obb mint a másiké), akkor erősen fékezem.

2. Szabály: Ha a távolság két autó között közepes és az én autóm sebessége nagy(obb mint a másiké), akkor közepes erővel fékezem.

35

Okos autó 2 – Tagsági függvényekOkos autó 2 – Tagsági függvények

– A bemeneti és kimeneti tagsági függvények meghatározása

– Általában 3, 5 vagy 7 fuzzy halmazt használnak

– Tipikus halmaz alakok (a leggyakoribb a háromszög)

36

Okos autó 3 – Szabály egyszerűsítés Okos autó 3 – Szabály egyszerűsítés kódolássalkódolással

– Távolság két autó között: X1 sebesség: X2Fékező erő: YCimkék- kicsi, közepes, nagy: S, M, L

– X2 (sebesség) esetében, kicsi,

közepes és nagy azt mutatja, a sebesség mennyivel nagyobb az elöl levő autóénál.

– 1. szabály: Ha X1=S és X2=M, akkor Y=L 2. szabály:Ha X1=M és X2=L, akkor Y=M

PL – Nagyon nagyPM – Közepesen nagyPS - KicsiZR – Kb. nulla NS – Kis negatívNM – Közepes negatív

NL – Nagy negatív

37

Okos autó 4 - KövetkeztetésOkos autó 4 - Következtetés

– A megfelelés mértékének meghatározása

– Egy következmény meghatározása

– A teljes következtetés megadása

– Defuzzifikálás pl. súlypont alapján. Esetünkben kicsit erősebb mint közepes

38

A fuzzy vezérlés előnyeiA fuzzy vezérlés előnyei

• Egyszerűbb vezérlő tervezés

• A tervezés komplexitása lecsökken, nincs szükség komoly matematikai elemzésre

• Könnyű kódolni, szimulálni

• Robusztus

• Fejlesztési idő lecsökken

• Könnyen érthető, értelmezhető

39

Hasznos él kiemelésHasznos él kiemelés

Eredeti kép Hasznos élek

40

Eredeti kép Hasznos élek

Hasznos él kiemelésHasznos él kiemelés

41

Magas fényintenzitás dinamikájú képekMagas fényintenzitás dinamikájú képek

Eredeti kép javított kép

42

Magas fényintenzitás dinamikájú képekMagas fényintenzitás dinamikájú képek

43

Automatikus ütközéselemzésAutomatikus ütközéselemzés

Különböző kameraállású képekÜtközési irány[deg]

EES [km/h]

Valós adat 0 55

Számított eredmény

2 58

44

A gépi intelligencia valóban A gépi intelligencia valóban megoldást jelenthet megoldást jelenthet

megoldhatatlan problémákra? megoldhatatlan problémákra? • Igen: Nagyszámú sikeres alkalmazás bizonyítja,

valamint azok az új területek, ahol a GI segítségével lehetett csak automatizálni folyamatokat

• Azonban: az új módszerek olyan új problémákat is felvetettek, amelyek még csak részlegesen vannak megoldva.

A jövő mérnöki tevékenysége elképzelhetetlen gépi intelligencia nélkül

45

ÖsszefoglalásÖsszefoglalás

• Mit takar a gépi intelligencia kifejezése?

• Mi a sikerének a titka?

• Hogyan dolgozik?

• Milye elveken?

• Új problémák, nyitott kérdések