Matematiske modeller i kunstig intelligens · Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (2024)

×

Log in Upload File

  • Most Popular
  • Study
  • Business
  • Design
  • Technology
  • Travel
  • Explore all categories
  • Home
  • Documents
  • Matematiske modeller i kunstig intelligens· Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens,

5

Matematiske modeller i kunstig intelligens Af Thomas Bolander, DTU Compute Kunstig intelligens er ikke blot én bestemt teori, teknik eller metode, men dækker over en lang række forskellige teknikker til at simulere aspekter af menneskelig kognition på en computer. Forskelligheden i teknikkerne dækker blandt andet over, at de forsøger at efterligne forskellige typer af intelligens, fx sproglig, social eller logisk intelli- gens. Forskelligheden dækker også over, at vi forsøger at efterligne intelligens på forskellige abstraktionsniveauer gående fra direkte forsøg på at efterligne de atomare neurologiske processer i hjernen helt op til meget abstrakte modeller af vores bevidste, sproglige og logiske tænkning. Fælles for alle teknikkerne er, at det handler om at skabe matematiske modeller af aspekter af kognition, og at få computere til at regne på disse modeller. Desuden handler det om at få kunstig intelligens-systemerne til selv at skabe modeller af deres omverden, som de kan bruge til at ræsonnere om denne omverden. I denne artikel vil vi først give en introduktion til kunstig intelligens og de forskellige hovedparadigmer indenfor området. Dernæst vil vi gå lidt mere i detaljen med, hvordan logiske modeller kan bruges til at skabe ræsonnerende robotter. Introduktion til kunstig intelligens “Kunstig intelligens er videnskaben og ingeniørkunsten at lave intelligente maskiner, særligt intelligente com- puterprogrammer.” Således forsøgte John McCarthy, den kunstige intelligens’ fader, at definere begrebet for 60 år siden. Definitionen er sådan set stadigt acceptabel her 60 år senere, men den forklarer bare ikke særligt meget. For vi ved ikke helt præcis hvad intelligens er, og derfor kan vi heller ikke med nogen rimelig præcision sige, hvad det betyder, at en maskine er intelligent. Følgende kan vi dog sige. Kunstig intelligens handler stort set altid om at få computere og robotter til at gøre ting, som det hidtil kun har været mennesker, der har kunnet, fx at spille skak, køre bil, diagnosticere patienter eller føre en samtale. Når vi gerne vil have computere til at gøre ting, som ellers har været forbeholdt os mennesker, er den natur- lige inspirationskilde for programmeringen naturligvis også os mennesker. Vi prøver at forstå hvordan vi selv kan finde ud af at spille skak, køre i bil osv., og så prøver vi at efterligne aspekter af det i en computer. Det kan foregå ved, at vi forsøger at lave simplificerede matematiske modeller af den slags bevidste, logiske ræsonnementer mennesker benytter, når de løser en given opgave som fx at spille skak. Disse modeller bliver så proppet ind i en computer, så den kan regne på dem. Denne tilgang leder typisk til det der kaldes symbolsk kunstig intelligens, som vil blive uddybet nedenfor. Alternativt kan man forsøge at lave sim- plificerede matematiske modeller af de fundamentale neurologiske processer i den menneskelige hjerne og implementere dem i en computer. Det leder typisk til det der kaldes subsymbolsk kunstig intelligens. Fælles for dem er, at det handler om at lave matematiske modeller, som kan repræsentere og simulere aspekter af menneskelig kognition, for derigennem at kunne efterligne disse aspekter på en computer. Det er vigtigt at understrege, at de matematiske mo- deller af menneskelig kognition vi har i dag, allesam- men er meget simplificerede i forhold til de processer, der foregår i den menneskelige hjerne. Selvom moderne computere kan blive verdensmestre i skak eller go eller være bedre end mennesker til at genkende visse typer af mønstre i billeder (fx hudkræft), er de altså meget langt fra at være på et menneskeligt kognitivt niveau. Ofte kan computere dog kompensere for de- res manglende kognitive niveau ved den overvældende beregningskraft, de efterhånden er i besiddelse af, og netop dette er en stor del af hemmeligheden bag de seneste års kraftige vækst i kunstig intelligens. Vi har meget gode matematiske modeller for strategisk ræ- sonnering (fx til skak) og centrale dele af det visuelle perceptionssystem (fx til billedgenkendelse), men vi har indtil videre ret ringe modeller for vores sproglige og sociale intelligens. Det er derfor indtil videre en meget stor udfordring at lave computere og robotter, som kan komme i nærheden af vores niveau indenfor disse områder. Figur 1. Et kortudsnit og en tilhørende grafrepræsentation. Symbolsk kunstig intelligens I den symbolske gren af kunstig intelligens forsøger man direkte at skabe simplificerede modeller af nogen af de højeste niveauer af menneskelig kognition: vores sproglige, bevidste, logiske tænkning. De matematiske modeller man bygger, er i vid udstrækning baseret på diskret matematik, det vil sige områder som kombina- torik, logik, grafteori, spilteori, algoritmik m.m. Som et meget simpelt eksempel på symbolsk kunstig intelli- gens kan man tænke på rutefindingsalgoritmerne i GPS- systemer og Google Maps. Her er kortet repræsenteret som en graf, hvor kryds er punkter og vejafsnit er kanter, se figur 1. At finde en korteste (eller “bedste”) KVANT, juni2018 – www.kvant.dk 3

Upload: others

Post on 26-Jun-2020

3 views

Category:

Documents


0 download

Report

  • Download
Facebook Twitter E-Mail LinkedIn Pinterest

TRANSCRIPT

Matematiske modeller i kunstig intelligens· Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (3)

Matematiske modeller i kunstig intelligens

Af Thomas Bolander, DTU Compute

Kunstig intelligens er ikke blot én bestemt teori, teknik eller metode, men dækker over en lang række forskelligeteknikker til at simulere aspekter af menneskelig kognition på en computer. Forskelligheden i teknikkerne dækkerblandt andet over, at de forsøger at efterligne forskellige typer af intelligens, fx sproglig, social eller logisk intelli-gens. Forskelligheden dækker også over, at vi forsøger at efterligne intelligens på forskellige abstraktionsniveauergående fra direkte forsøg på at efterligne de atomare neurologiske processer i hjernen helt op til meget abstraktemodeller af vores bevidste, sproglige og logiske tænkning. Fælles for alle teknikkerne er, at det handler om atskabe matematiske modeller af aspekter af kognition, og at få computere til at regne på disse modeller. Desudenhandler det om at få kunstig intelligens-systemerne til selv at skabe modeller af deres omverden, som de kan brugetil at ræsonnere om denne omverden. I denne artikel vil vi først give en introduktion til kunstig intelligens og deforskellige hovedparadigmer indenfor området. Dernæst vil vi gå lidt mere i detaljen med, hvordan logiske modellerkan bruges til at skabe ræsonnerende robotter.

Introduktion til kunstig intelligens“Kunstig intelligens er videnskaben og ingeniørkunstenat lave intelligente maskiner, særligt intelligente com-puterprogrammer.” Således forsøgte John McCarthy,den kunstige intelligens’ fader, at definere begrebet for60 år siden. Definitionen er sådan set stadigt acceptabelher 60 år senere, men den forklarer bare ikke særligtmeget. For vi ved ikke helt præcis hvad intelligens er, ogderfor kan vi heller ikke med nogen rimelig præcisionsige, hvad det betyder, at en maskine er intelligent.Følgende kan vi dog sige. Kunstig intelligens handlerstort set altid om at få computere og robotter til atgøre ting, som det hidtil kun har været mennesker, derhar kunnet, fx at spille skak, køre bil, diagnosticerepatienter eller føre en samtale.

Når vi gerne vil have computere til at gøre ting, somellers har været forbeholdt os mennesker, er den natur-lige inspirationskilde for programmeringen naturligvisogså os mennesker. Vi prøver at forstå hvordan vi selvkan finde ud af at spille skak, køre i bil osv., og såprøver vi at efterligne aspekter af det i en computer.Det kan foregå ved, at vi forsøger at lave simplificeredematematiske modeller af den slags bevidste, logiskeræsonnementer mennesker benytter, når de løser engiven opgave som fx at spille skak. Disse modellerbliver så proppet ind i en computer, så den kan regnepå dem. Denne tilgang leder typisk til det der kaldessymbolsk kunstig intelligens, som vil blive uddybetnedenfor. Alternativt kan man forsøge at lave sim-plificerede matematiske modeller af de fundamentaleneurologiske processer i den menneskelige hjerne ogimplementere dem i en computer. Det leder typisk tildet der kaldes subsymbolsk kunstig intelligens. Fællesfor dem er, at det handler om at lave matematiskemodeller, som kan repræsentere og simulere aspekteraf menneskelig kognition, for derigennem at kunneefterligne disse aspekter på en computer.

Det er vigtigt at understrege, at de matematiske mo-deller af menneskelig kognition vi har i dag, allesam-men er meget simplificerede i forhold til de processer,der foregår i den menneskelige hjerne. Selvom modernecomputere kan blive verdensmestre i skak eller go

eller være bedre end mennesker til at genkende vissetyper af mønstre i billeder (fx hudkræft), er de altsåmeget langt fra at være på et menneskeligt kognitivtniveau. Ofte kan computere dog kompensere for de-res manglende kognitive niveau ved den overvældendeberegningskraft, de efterhånden er i besiddelse af, ognetop dette er en stor del af hemmeligheden bag deseneste års kraftige vækst i kunstig intelligens. Vi harmeget gode matematiske modeller for strategisk ræ-sonnering (fx til skak) og centrale dele af det visuelleperceptionssystem (fx til billedgenkendelse), men vihar indtil videre ret ringe modeller for vores sprogligeog sociale intelligens. Det er derfor indtil videre enmeget stor udfordring at lave computere og robotter,som kan komme i nærheden af vores niveau indenfordisse områder.

Figur 1. Et kortudsnit og en tilhørende grafrepræsentation.

Symbolsk kunstig intelligensI den symbolske gren af kunstig intelligens forsøgerman direkte at skabe simplificerede modeller af nogenaf de højeste niveauer af menneskelig kognition: voressproglige, bevidste, logiske tænkning. De matematiskemodeller man bygger, er i vid udstrækning baseret pådiskret matematik, det vil sige områder som kombina-torik, logik, grafteori, spilteori, algoritmik m.m. Somet meget simpelt eksempel på symbolsk kunstig intelli-gens kan man tænke på rutefindingsalgoritmerne i GPS-systemer og Google Maps. Her er kortet repræsenteretsom en graf, hvor kryds er punkter og vejafsnit erkanter, se figur 1. At finde en korteste (eller “bedste”)

KVANT, juni 2018 – www.kvant.dk 3

Matematiske modeller i kunstig intelligens· Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (4)

rute fra eksempelvis Skælskør til Slagelse handler dablot om at finde en korteste (eller “bedste”) sti mellemde to punkter i grafen, som repræsenterer de to byer.Metoden er i princippet så simpel, at man kan diskutereom den fortjener at blive kaldt for kunstig intelligens.Algoritmer til rutefinding er dog alligevel standard-pensum i kurser i kunstig intelligens, og algoritmernebruges ikke kun til rutefinding på kort, men også til rute-finding for computerstyrede karakterer i computerspil,og til mere generel planlægning af robotters handlingerog bevægelser.

Noget af det der er karakteristisk ved symbolskkunstig intelligens er, at de modeller man bygger, ereksplicitte. Hvis man for eksempel skal konstruere enskakcomputer med symbolsk kunstig intelligens, vilman have de mulige tilstande i spillet eksplicit re-præsenteret i computeren, og reglerne vil også væreeksplicit beskrevet, fx på en logisk form. Det betyder,at det med symbolsk kunstig intelligens er relativt letat få indsigt i, hvordan computeren “tænker”, og deter relativt let at modificere dens adfærd (fx at justereden til at kunne spille andre spil). Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa ogGoogle Home er også baseret på symbolsk kunstigintelligens, pånær talegenkendelsen (tale-til-tekst kon-vertering), som gøres subsymbolsk (se næste afsnit).Symbolsk kunstig intelligens har typisk den fordel,at den kan gøres robust og forudsigelig, og man vilogså kunne give garantier for dens adfærd. Man kan fxmatematisk bevise, om en given rutefindingsalgoritmealtid finder den korteste rute eller ej. Ulempen vedsymbolsk kunstig intelligens er så til gengæld, at desystemer man bygger typisk har nøje afgrænsede evner,og typisk ikke lærer af deres erfaringer.

Subsymbolsk kunstig intelligensHvor den symbolske kunstige intelligens direkte for-søger at efterligne de højeste niveauer af menneske-lig kognition, har subsymbolsk kunstig intelligens dendiametralt modsatte tilgang. Her prøver man i stedetat bygge intelligens op nedefra igennem modeller afde mest fundamentale processer i den menneskeligehjerne. Det klassiske eksempel er kunstige neuralenetværk, som er en simplificeret model af de atomare,neurologiske processer i den menneskelige hjerne. Denmatematik man bruger til subsymbolsk kunstig intelli-gens er typisk lineær algebra og differentialligninger.

Som konsekvens af den tilgang til modellering, somsubsymbolsk kunstig intelligens har, er denne formfor kunstig intelligens typisk bedst til at efterligne demest grundlæggende niveauer af menneskelig kognitionsom vores perception. Kunstige neurale netværk erefterhånden ret effektive til at efterligne en lang rækkeaspekter af menneskelig perception som genkendelseaf billeder og lyd. Det kan være sådan noget somat kunne kende forskel på billeder af hunde og katteeller kunne høre forskel på om nogen siger “tirsdag”eller “torsdag”. Kunstige neurale netværk bliver ikkeeksplicit programmeret med forskellen mellem hundeog katte, men bliver trænet på en masse billeder afhunde og katte, hvor de får at vide hvad der er hvad.

Gennem en masse eksempler på objekter indenfor deforskellige kategorier lærer det (kunstige) neurale net-værk efterhånden selv at kunne foretage kategoriserin-ger. Det er ret afgørende for kunstig intelligens, at vi harsubsymbolske metoder til at kunne genkende mønstreog lave kategoriseringer af objekter. Det ville væretemmeligt meget op ad bakke at skulle bruge symbolskemetoder til at kende forskel på hunde og katte, da detville kræve at vi programmerede computeren med eneksplicit, symbolsk karakterisering af forskellen mel-lem de to dyr. Omvendt er vi også stadigt afhængigeaf symbolske teknikker til at kunne simulere kognitiveprocesser på højere niveau, som fx logisk ræsonneringeller planlægning.

Fordi kunstige neurale netværk lærer igennem træ-ning, hører de under den del af kunstig intelligensder kaldes maskinlæring (machine learning). Der findesdog også maskinlæring indenfor den symbolske gren,det kan fx være systemer der forsøger at lære ekspli-citte, logiske repræsentationer af reglerne i skak ellerwhist ved at observere andre spille disse spil.

1.0

0.0

1.0

hest:0.3

zebra:0.7

muldyr:0.5

skjult lag

inputlag outputlag

Figur 2. Et kunstigt neuralt netværk.

Et kunstigt neuralt netværk er opbygget af neuroner(punkter) og neuronforbindelser (kanter), se figur 2.Neuronerne er placeret i lag, og hver neuron modtageret signal fra hver af neuroner i det foregående lag (iet fuldt forbundet netværk). Neuronen omsætter disseinputsignaler til et outputsignal, som den sender videretil det næste lag. På den måde fungerer hele det neuralenetværk som en signalprocessor, der omsætter et input-signal til et outputsignal. Inputsignalet kunne fx værepixels fra et billede af et objekt, man ønsker klassifice-ret, og outputsignalet kunne så være klassifikationen.Figuren viser et simplificeret eksempel, hvor vi medet neuralt netværk ønsker at kunne skelne mellembilleder af zebraer, heste og muldyr. Der er derfor 3neuroner i outputlaget, én for hver af de tre dyr. Nåret billede skal klassificeres, sender man det således indi inputlaget (med én inputneuron per pixel), hvorefterdet flyder igennem netværket, og klassifikationen erså givet ved den outputneuron, som producerer detkraftigste signal (zebra-neuronen i figuren). Træningenaf neurale netværk foregår ved at justere vægtene påneuronforbindelserne, som bestemmer hvor kraftigt deforskellige inputsignaler bliver forstærket. Hvis detneurale netværk under træningen fejlklassificerer enzebra som en hest, vil det automatisk justere vægtene,så outputsignalet på tilsvarende billeder i fremtiden vilkomme tættere på at give den rigtige klassificering.

4 Matematiske modeller i kunstig intelligens

Matematiske modeller i kunstig intelligens· Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (5)

Sammenligning af symbolske og subsymbolske me-toderVi nævnte tidligere, at de matematiske modeller be-nyttet i symbolsk kunstig intelligens er eksplicitte: viopbygger eksplicitte, symbolske modeller af det do-mæne, vi ønsker at modellere. I subsymbolsk kunstigintelligens er de implicitte. Vi kan ikke umiddelbartinspicere et neuralt netværk, som kan kende forskel påheste, zebraer og muldyr, og så finde ud af præcist hvadklassificeringen er baseret på. Klassificeringen er op-nået gennem træning og er udelukkende repræsenteretimplicit via de trænede neuronvægte. Det har følgendekonsekvenser. Modsat symbolsk kunstig intelligens kanvi ikke i subsymbolsk kunstig intelligens give garantierfor adfærd, vi kan fx ikke bevise om et neuralt netværkaltid vil kategorisere zebraer korrekt. Neurale netværkkan aldrig være 100% fejlfri og robuste. Symbolske ogsubsymbolske teknikker har dermed hver deres styrkerog svagheder, ligesom de også har hver deres anvendel-sesområder.

Man kan give følgende analogi omkring forskellenmellem symbolsk og subsymbolsk kunstig intelligens.Antag at du ønsker at forudsige hvor langt en ka-nonkugle vil flyve afhængigt af parametre som vinkelpå kanonrøret, størrelse af ladning og vindforhold. Enmulig metode til at forsøge at udregne rækkevidden afkanonkuglen kan da være at opstille en bevægelses-ligning baseret på mekanikkens love, og så regne påden ligning. Det vil være en eksplicit modellering i stilmed symbolsk kunstig intelligens: Vi har en eksplicit,symbolsk model for det fænomen vi studerer, og når viskal lave forudsigelser, så regner vi på denne eksplicittemodel. En anden mulig metode kunne være at observereet stort antal kanonaffyringer under forskellige forhold,og så prøve at blive i stand til at lave præcise forudsi-gelser uden først at skulle forsøge at opstille eller forståmekanikkens love på symbolsk form. Det svarer lidt til,hvordan vi som børn lærer at kaste en bold præcist. Forat kunne ramme præcist, bliver vi nødt til at have enmodel af, hvordan bolden bevæger sig (i hvert fald afhvor langt den vil bevæge sig), men det betyder jo ikke,at vi løser symbolske bevægelsesligninger i hovedet, detbetyder blot, at vi har fået opbygget en tilstrækkeligtpræcis implicit model. Det er det samme, som sker ineurale netværk. Et neuralt netværk vil kunne trænes optil at forudsige rækkevidden af en kanonkugle, men vivil ikke kunne inspicere neuronvægtene og deraf udledenoget som ligner bevægelsesligninger.

Symbolsk modellering af omverdenOvenfor har vi snakket om kunstig intelligens som etmodelleringsproblem: Vi mennesker laver matematiskemodeller af aspekter af kognition eller ræsonnering,som vi implementerer på en computer. Men de imple-menterede kunstig intelligens-systemer er også syste-mer, som selv løser et modelleringsproblem: De skalskabe modeller af deres omverden, som de kan brugetil deres beslu*tninger, forudsigelser og klassifikationer,hvad enten det handler om at spille skak eller kendeforskel på hunde og katte. Kunstig intelligens er såledesofte en slags metamodellering, fordi vi ønsker at skabe

modeller, som selv er i stand til at skabe modeller af de-res omverden. Neurale netværk er et godt eksempel pådette, da et neuralt netværk gennem træning på megetdirekte vis skaber en (implicit) model, som kan brugestil forudsigelser, beslu*tninger eller klassifikation.

På(C,B) ∧ På(B,A)

Figur 3. En simpel verden og den tilhørende logiske model.

I det følgende vil vi fokusere på, hvordan symbolskkunstig intelligens modellerer sin omverden. Der ermange forskellige tilgange, men det mest udbredte erat modellere omverden igennem logik. Figur 3 giver etsimpelt eksempel. Den blå robot (robot 0) observerer enstak med tre kasser markeret med C, B og A, hvor C erøverst og A nederst. En simpel logisk model af denneverden er givet ved formlen vist til højre på figuren,som udtrykker at “C er ovenpå B og B er ovenpåA”. En symbolsk programmeret robot vil kunne brugeen sådan logisk formel til at beskrive sin omverden.Hvis robotten kan flytte rundt på kasserne, skal denogså forstå hvordan verden, og dermed den logiskeformel, ændrer sig når den gør det. Det kan også gøreslogisk via det der hedder handlingsskemaer. Følgendehandlingsskema beskriver logisk hvad det vil sige attage et objekt x og putte det ovenpå objektet y:

ACTION: Put(x, y)PRECONDITION: På(x, z) ∧ ¬∃vPå(v, x) ∧ ¬∃wPå(w, y)EFFECT: ¬ På(x, z)∧ På(x, y)

Den logiske formel PRECONDITION beskriver betingel-sen for at man kan putte x ovenpå y:

• På(x, z): x skal allerede være ovenpå et objekt z,

• ¬∃vPå(v, x): der må ikke være noget objektovenpå x og

• ¬∃wPå(w, y): der må heller ikke være et objektovenpå y.

Betingelsen kan eksempelvis ikke være opfyldt, hvis xer kasse B ovenfor, for kasse C ligger ovenpå kasse B.Den logiske formel EFFECT beskriver, hvordan verdenændrer sig, når handlingen bliver succesfuldt udført: xer ikke længere ovenpå z, men ovenpå y i stedet. Hvisvi anvender handlingen Put(C, gulv) på situationen visti figur 3, vil resultatet blive, at På(C,B) ikke længereer sand, men at På(C, gulv) i stedet bliver sand. Denresulterende formel bliver altså:

På(C, gulv) ∧ På(B,A)

KVANT, juni 2018 – www.kvant.dk 5

Matematiske modeller i kunstig intelligens· Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (6)

Dette er naturligvis som ønsket: Hvis robotten flytterkasse C ned på gulvet, så vil C nu være på gulvet, mensB stadig er på A.

Ideen er her at robotten både har en logisk modelaf sin omverden og logiske modeller af hvordan denshandlinger modificerer omverden, og på den mådekan den let forudsige effekten af forskellige muligehandlinger. Det muliggør, at den kan lægge planer. Vikan eksempelvis bede robotten om at lægge kassernei alfabetisk rækkefølge med A øverst, og det problemvil den let kunne løse ved at regne på sine muligehandlinger, og hvordan de modificerer verden. Faktiskkan man til denne del af problemet bruge de sammetyper af algoritmer, som man bruger til rutefinding, somvar det første eksempel på kunstig intelligens vi så på.

På(C,B)∧På(B,A)

På(C,A)∧På(A,B)

Figur 4. En verden uden fuld observerbarhed.

Robotter som skaber modeller af andre robotterDet er ikke altid at en robot kan lave en præcis ver-densbeskrivelse, der kan eksempelvis være ting, somden ikke kan se. Antag eksempelvis at kasserne i stedeter placeret med bogstaverne vendt opad, så robottenkun kan se bogstavet på den øverste kasse, som vistpå figur 4. I dette tilfælde er robotten usikker på, omA er ovenpå B eller omvendt. Denne usikkerhed kanvi repræsentere ved at lave en model, som indeholderbegge muligheder, som vist til højre i figur 4. I stedetfor en enkel logisk formel er modellen nu en graf, hvorpunkterne repræsenterer forskellige mulige verdener,og disse mulige verdener er hver især beskrevet somen logisk formel. Kanten i grafen mellem de to muligeverdener repræsenterer, at robotten ikke kan skelnedisse to verdener: den ved ikke om det er B der er på A(den venstre verden i figur 4) eller A der er på B (denhøjre verden).

Ideen med at repræsentere sine omgivelser gennemmulige verdener bliver endnu mere afgørende, hvisrobotten ikke længere er alene i verden. Betragt situa-tionen i figur 5, hvor der nu er en ekstra robot (robot1). Robot 1 kan kun se bogstavet på den midterstekasse, mens robot 0 kun kan se bogstavet på den øverstekasse. Grafen under robotterne viser hvordan dennesituation kan modelleres af robot 0. De to punkter meden ekstra cirkel omkring er de samme som i figur 4.De repræsenterer de to verdener, som robot 0 opfattersom mulige. Men der er nu også en række nye punkter,og der er nu også både 0-kanter og 1-kanter i grafen.En 1-kant mellem to mulige verdener betyder, at robot1 ikke kan skelne de to verdener. Det overlades tilden interesserede læser at tjekke, at modellen faktiskrepræsenterer den viste situation, og de usikkerheder

som de to robotter har med hensyn til, hvordan denvirkelige verden ser ud. Pointen med modellen er, atdet ikke længere kun er en model af, hvad robot 0 vedom kassernes konfiguration, men også en model af hvadrobot 0 ved om robot 1. Ethvert par af mulige verdener,som kun afviger fra hinanden ved at der er byttet om påden øverste og nederste kasse, er altid forbundne af en1-kant, og det repræsenterer netop det faktum, at robot1 kun kan se bogstavet på den midterste kasse.

01På(C,B)∧På(B,A)

På(C,A)∧På(A,B)0

På(A,B)∧På(B,C)

På(B,A)∧På(A,C)

1 1

På(A,C)∧På(C,B)

På(B,C)∧På(C,A)

0 01

Figur 5. En verden med flere robotter.

Beder vi nu robot 0 om at placere kasserne i alfa-betisk rækkefølge med A øverst, vil den ikke kunneløse opgaven alene, for den ved ikke om A er ovenpåB eller omvendt. Men den ved faktisk, at robot 1 vedom A eller B er øverst, for den ved, at robot 1 kan sebogstavet på den midterste kasse. En mulig måde forrobot 0 at løse problemet på vil derfor være først atspørge robot 1, om bogstavet på den midterste kasse erA, og afhængigt af om svaret er ja eller nej, vil den såvide hvad den skal gøre. Ved at give robotter mulighedfor at skabe og ræsonnere med denne slags modeller,kan vi således også få dem til at løse problemer, hvor depå denne måde bliver nødt til at sætte sig i andres stedog interagere med andre for at løse deres problemer.

Perspektiver og anvendelserModeller af ovenstående type muliggør, at kunstigintelligens-systemer kan sætte sig i andres sted og severden fra andres perspektiv. Det er den evne somi kognitiv psykologi kaldes Theory of Mind. Der ersolid evidens for at Theory of Mind er afgørende formenneskers sociale intelligens. Vores evne til at sætteos i hinandens sted er afgørende for vores evne til atsamarbejde, være hjælpsomme og endda blot at forståhvad hinanden mener, når vi siger noget. Menneskerformulerer sig generelt meget upræcist og flertydigt,noget man typisk først lægger mærke til, når manbegynder at forsøge at konstruere kunstig intelligens-

6 Matematiske modeller i kunstig intelligens

Matematiske modeller i kunstig intelligens· Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (7)

Figur 6. Thomas Bolander og Pepper-robotten R2DTU.

systemer, som kan kommunikere med mennesker. Tiltrods for dette har vi en ret veludviklet evne til atforstå hinanden, og det skyldes i høj grad at vi kansætte os i hinandens sted og forstå intentionen bag detsagte. Modeller som ovenstående er kun de første spædeskridt i retningen mod kunstig intelligens med bedresociale evner og en generel evne til at sætte sig i andres

sted, men der er ingen tvivl om, at det er den rigtigeretning at gå, hvis vi ønsker en fleksibel, letflydende ogrobust interaktion med fremtiden robotter, computereog smartphones.

Modeller som ovenstående er specifikt blevet be-nyttet til at vise, hvordan robotter kan bestå såkaldtefalse-belief tasks, en type af tests som oprindeligt erudviklet til at vurdere børns evne til at sætte sig i andressted. I skrivende stund eksperimenterer vi på DTU medat få robotter af typen Pepper (figur 6) til at beståsådanne false-belief tasks samt andre typer af opgaver,som kræver social perspektivtagning og sætten sig iandres sted. Vi arbejder også med scenarier indenforeksempelvis hospitalsrobotter og husholdningsrobotter,hvor der er mange eksempler på, at det kræver en evnetil at modellere andres intentioner, tanker og viden forat kunne agere på en socialt acceptabel måde.

Thomas Bolander er lektorved DTU Compute. Hansforskning er centreret omkunstig intelligens med særligtfokus på social intelligens.Thomas Bolander er et afkernemedlemmerne afSIRI-kommissionen og enførende dansk foredragsholderindenfor kunstig intelligens.

Foreningsnyt – kommende foredragDato Tid Foredragstitel Foredragsholder Forening

Juni29 eller 30/6 19.00 Asteroid Day (sted og dato er ikke fastsat) Check www.naturvidenskab.net SNUSeptember

3/9 19.15 Opdagelsesrejse på Mars Jens Frydenvang AS (Kbh)10/9 19.00 Opdagelsesrejse på Mars Jens Frydenvang AS (Aarh)10/9 19.30 Oversvømmet – igen! Udfordringer med

for meget vand Carlo Sørensen SNU24/9 19.15 Exoplaneter og stjernesvingninger Rasmus Handberg AS (Kbh)

Oktober1/10 19.00 Exoplaneter og stjernesvingninger Rasmus Handberg AS (Aarh)1/10 19.30 Store jordskælv og hvad deraf følger Trine Dahl-Jensen SNU

15/10 19.15 Tyngdebølger, kilonovaer og oprindelsen af guld Jonatan Selsing AS (Kbh)22/10 19.00 Tyngdebølger, kilonovaer og oprindelsen af guld Jonatan Selsing AS (Aarh)22/10 19.30 Vulkanisme: årsag og virkning Paul Martin Holm SNU

November5/11 19.15 Udforskning af det højenergetiske univers Desiree Della Monica Ferreira AS (Kbh)

12/11 19.00 Udforskning af det højenergetiske univers Desiree Della Monica Ferreira AS (Aarh)12/11 19.30 Pandemier – historiens store dræbere Nils Strandberg Pedersen SNU26/11 19.15 Verdens mest avancerede robotteleskop Mads Fredslund Andersen AS (Kbh)

December3/12 19.00 Verdens mest avancerede robotteleskop Mads Fredslund Andersen AS (Aarh)

10/12 19.30 Når Jorden står for skud – asteroidenedslagog livets udvikling på Jorden Henning Haack SNU

AS (Kbh): Astron. Selskab (Kbh), Aud. 2, H.C. Ørsted Instituttet, Universitetsparken 5, 2100 København Ø (astronomisk.dk).AS (Aarh): Astron. Selskab (Aarh), Matematisk Institut, AU, Ny Munkegade 118, Bygn. 1530, Aud.F/G122, 8000 Aarhus C.SNU: Aud. 1, H.C. Ørsted Instituttet, Universitetsparken 5, 2100 København Ø (naturvidenskab.net, facebook.com/SNU1824).Bemærk, at tid og sted for Asteroid Day ikke er fastsat.

KVANT, juni 2018 – www.kvant.dk 7


IT-2702 Kunstig intelligens - høst 2004

IN #22018FOCUS· 2019. 9. 30.· ORDLISTE Kunstig intelligens: Programmer, som arbejder og reager på samme måde som mennesker, eller det område inden for datalogi, som undersøger

IT-2702 Kunstig intelligens - høst 2004 Forelesning 5. Emner: Kunnskapsintensiv problemløsning - ekspertsystemer Regelbaserte systemer Modellbaserte systemer

Kunstig intelligens - Technical University of Denmarktobo/kunstig_intelligens_fuaalborg.pdfVil vi nogensinde f a kunstig intelligens p a science ction-niveau? ... \Arti cial intelligence

Kunstig intelligens i biblioteket › studier › emner › matnat › ifi › INF2260 › h17 › ...Kunstig intelligens i biblioteket - INF2260 prosjekt 2017 Nasjonalbiblioteket

KUNSTIG INTELLIGENS - Teknologirådet

Utforske muligheter og foreslå endringer i …...og muligheter som følger av automatisert saksbehandling og kunstig intelligens. Ansvar for Ansvar for gjennomføring må avklares

Kunstig Intelligens til Brætspillet Taijietd.dtu.dk/thesis/250864/ep09_66.pdf· Summary This project concerns the development of several arti cial intelligences to the board game

Intelligens mérés és Intelligens ház

MNF IT-272 Kunstig intelligens - høst 2002 Forelesning 6. Emner: Kunnskapsintensiv problemløsning - kunnskapbaserte systemer, ekspertsystemer Regelbaserte

Kunstig intelligens og personvern...Datatilsynet mener debatt og kunnskap om personvern-implikasjonene ved kunstig intelligens er nødvendig – både for å ivareta enkeltmenneskers

Kunstig intelligens i helse· helsetjenesten ... 6.1.7 Tiltak innenfor Samarbeid og innovasjon ..... 49 6.2 Data og datakvalitet ... teknologi med dokumenterbar effekt for pasienter

HVAER EGENTLIG KUNSTIG INTELLIGENS?€¦· Business administration. SIGHT – 3D scanning on mobile devices. 12. ... Translation. Deep Learning. Predictive analysis. Deep Learning

Af: Mick Hart, Christian Henriksen og Jonas Mark Petersen ...· af kunstig intelligens som kaldes Natural Language Processing eller NLP. De fleste computerbrugere har stiftet bekendtskab

Kunstig intelligens (IT-2702) Forelesning 2 Emner: Problemløsning - søking i tilstandsrom (intro, begrepsdefinisjon) Predikatlogikk Kunnskapsrepresentasjon

Innovasjonsdag Petroleumstilsynet - Forside· 7 mikrometer tykke sensorer –alt kan måles Kollektiv kunstig intelligens Google: autonom bil Tesla: autonome biler og lastebiler

AI kontra databeskyttelse - Aalborg UniversitetAI kontra databeskyttelse Konsekvenserne af persondata forordning 2016/679 for kunstig intelligens 1 Side 1 af 64 1 – Abstract This

Nasjonal strategi for kunstig intelligens€¦· «Progress», Akinori Goto (JP) foran i utvikling og bruk av kunstig intelligens med respekt for den Foto: Ars Electronica/Design

Matematikken i kunstig intelligens: [2mm] Socialt ...tobo/matematikken_i_ai.pdf· \I’m on the phone! If you say ’TUG has arrived’ one more time I’m going to kick you in your

Statusrapport for 2018· 4 Virksomheders adgang til STEM-kompetencer Øget digitalisering og nye teknologier giver os nye muligheder. For eksempel kan big data og kunstig intelligens

Kunstig intelligens (MNFIT-272) - høst 2000

Kunstig intelligens Hvor længe er mennesket klogest?tobo/kunstig_intelligens_SNU.pdf· 2019-12-30· Kunstig intelligens: Hvad er det egentlig? John McCarthy, den kunstige intelligens’

Kunstig intelligens og sociale robottertobo/ai_frb_gym.pdf· • H.C. Ørsted sølvmedalje for fremragende videnskabsformidling, 2019. • Med-arrangør og videnskabelig r˚adgiver

FINTECH - Menon Economics· Vi står nå på terskelen til en teknologidrevet revolusjon innen finans. Ny teknologi som kunstig intelligens og blockchain, nye reguleringer som PSD2,

Kunstig intelligens og lederens nye jobb...human judgment ? People power Source: Kolbjørnsrud, Amico, Thomas (2016) "The promise of artificial intelligence: Redefining management

Industri uten råvarer. Hvordan tilgjengeliggjøre data for …· tilgjengeliggjøre data for utvikling av kunstig intelligens? Vibeke Binz Vallevik, BigMed/ Precision medicine research

Symbolsk magt Bolivias højland

Sundhed og kunstig intelligens 17 final

Kunstig intelligens og sociale robottertobo/ai_frb_gym.pdf· Hvad er kunstig intelligens? John McCarthy, den kunstige intelligens’ fader, definerer: “Artificial intelligence

Kunstig Intelligens - IDA€¦· Der er derfor snarere tale om, at kunstig intelligens og beslægtede teknologier fører til ændringer i jobindholdet med forskydninger og kon-vergens

ANALYSE 03/2019 NORDISKE KOMMUNERS ARBEID MED …1365285/FULLTEXT01…· 2 Teknologirådet i Norge. Kunstig intelligens – muligheter, utfordringer og en plan for Norge, 2018, side

Kunstig intelligens (AI) - imm.dtu.dktobo/AIintro.pdf· Kunstig intelligens (AI) Thomas Bolander, Lektor ved DTU Informatik UNF Aalborg, 30. november 2010 Thomas Bolander, UNF Aalborg,

Kunstig intelligens (MNFIT-272) - høst 1999

Bruk av kunstig intelligens i velferdsteknologi· Evaluering - Formativ evaluering: - Brukerteste ordbruk, interaksjon, navigasjon og dialogflyt i chatboten - Task-oriented (Hernández-Orallo,

Etikk og kunstig intelligens - NITO· 2019. 4. 9.· Etikk og kunstig intelligens - ANEs hackaton september 2018 5 Workshopen var bygget opp rundt et rammedokument med en oversikt

Matematiske modeller i kunstig intelligens · Intelligente personli-ge assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, - [PDF Document] (2024)

FAQs

Who is smarter, Alexa or Siri? ›

Alexa and Siri both are smart, and they outrun each other when they are used in their right use case. For instance, there is nothing better than Siri when it comes to providing a device-synced experience within Apple devices. At the same time, Alexa will be smarter when you want third-party integrations.

Who is better, Siri or Google Assistant? ›

Siri has excellent voice recognition for hands-free interactions, while Google Assistant surpasses it with advanced natural language processing algorithms, providing even more accurate and nuanced voice recognition.

Can Siri work with Alexa? ›

Use Siri Shortcuts

Siri Shortcuts allow you to create custom voice commands to trigger specific actions on your device. By integrating Siri with Alexa, you can initiate Alexa commands seamlessly. Follow these steps to set it up: a.

Is AI smarter than Siri? ›

Researchers Feng Liu, Yong Shi and Yin Liu carried out tests throughout 2016, which ranked Google's AI IQ at 47.28, just shy of the average IQ they found for a human 6-year-old: 55.5. Siri's IQ fell well below at 23.9, which was also lower than Microsoft Corp.'s (MSFT) Bing and Baidu, at 31.98 and 32.92, respectively.

Can I call 911 from Alexa? ›

While Alexa cannot directly call 911 for you without the Emergency Assist subscription, it can call your contacts with a simple voice command. You can use your Alexa device to call someone from your contacts, call a number you ask for digit by digit, or even make a group call.

Can Alexa always listen on iPhone? ›

Alexa is an always-on listening device, which means it's technically always listening.

Can Alexa replace Siri on iPhone? ›

Alexa can't totally replace Siri, but it doesn't really matter. There are some functions only Siri can perform: changing your iPhone's screen brightness, turning on do not disturb, etc. Basically, anything that changes the settings on your iPhone or iPad itself is off-limits for a third-party assistant like Alexa.

Does Alexa have an IQ? ›

Bottom line – Alexa's Verbal Comprehension Index is 112, at the 79th percentile, in the High Average range. Her Working Memory Index is 50, in the Extremely Low range. Artificial intelligence is, at this point, quite different from human intelligence.

Is Alexa smarter or is Google smarter? ›

In general, Google is considered to be a bit more knowledgeable (with all of the search engine's smarts at its fingertips, you'd hope it would be) while Amazon is the better option for its wealth of third-party smart home integrations.

Does Alexa get smarter? ›

Amazon is upgrading Alexa with generative AI for more human-like and intuitive interactions. Data concerns. The new features raise further questions about Alexa's data privacy and security measures.

Why is Siri not like Alexa? ›

Why doesn't Siri work like Alexa? Design philosophy. Alexa does all the processing at Amazon data centers and is well-aware of any data involved, Siri only does the voice recognition part (not personally identifiable) and lets the device handle the requested action once it's understood.

Top Articles
Latest Posts
Article information

Author: Kimberely Baumbach CPA

Last Updated:

Views: 6161

Rating: 4 / 5 (61 voted)

Reviews: 84% of readers found this page helpful

Author information

Name: Kimberely Baumbach CPA

Birthday: 1996-01-14

Address: 8381 Boyce Course, Imeldachester, ND 74681

Phone: +3571286597580

Job: Product Banking Analyst

Hobby: Cosplaying, Inline skating, Amateur radio, Baton twirling, Mountaineering, Flying, Archery

Introduction: My name is Kimberely Baumbach CPA, I am a gorgeous, bright, charming, encouraging, zealous, lively, good person who loves writing and wants to share my knowledge and understanding with you.