Chapter 13 ADVANCED INTELLIGENT SYSTEMS 1
Download
Report
Transcript Chapter 13 ADVANCED INTELLIGENT SYSTEMS 1
Chapter 13
ADVANCED INTELLIGENT SYSTEMS
1
Learning Objectives
ทำควำมเข้ำใจเกี่ยวกับแนวควำมคิดของกำรเรี ยนรู ้ของเครื่ องจักร (machine-learning)
เรี ยนรู ้ถึงแนวควำมคิดและกำรประยุกต์ใช้ของ case-based systems
ทำควำมเข้ำใจแนวควำมคิดและกำรประยุกต์ใช้ของ genetic algorithms
ทำควำมเข้ำใจ fuzzy set theories และกำรประยุกต์ใช้ในกำรออกแบบ intelligent
systems
ทำควำมเข้ำใจแนวควำมคิดและกำรประยุกต์ใช้ของ natural language processing
(NLP)
เรี ยนรู ้เกี่ยวกับแนวควำมคิด ข้อได้เปรี ยบ และข้อจำกัดของ voice technologies
เรี ยนรู ้เกี่ยวกับ integrated intelligent support systems
2
Machine-Learning Techniques
นิยำมและแนวควำมคิดของ Machine-learning
Machine learning
กระบวนกำรที่ซ่ ึ งคอมพิวเตอร์ เรี ยนรู ้จำกประสบกำรณ์ (เช่น กำรใช้โปรแกรม
ที่สำมำรถเรี ยนรู ้จำกกรณี ต่ำง ๆ จำกอดีต (historical cases))
3
Machine-Learning Techniques
กำรเรี ยนรู ้ของมนุษย์เป็ นกำรรวมกันของกระบวนกำรรู ้จำที่ซบั ซ้อนหลำย ๆ
กระบวนกำรเข้ำด้วยกัน อันได้แก่:
Induction (กำรยอมรับเรื่ องทัว่ ๆ ไป โดยเอำเรื่ องเฉพำะมำอ้ำง)
Deduction (กำรยอมรับเรื่ องเฉพำะใด ๆ โดยยกเรื่ องทัว่ ๆ ไปมำอ้ำง)
Analogy (กำรเทียบเคียง)
กำรบวนกำรพิเศษอื่น ๆ ที่สัมพันธ์กบั กำรสังเกตุหรื อตัวอย่ำงจำกกำรวิ
เครำห์
4
Machine-Learning Techniques
กำรเรี ยนรู ้สัมพันธ์กบั intelligent system อย่ำงไร
ระบบกำรเรี ยนรู ้แสดงถึงพฤติกรรมในกำรเรี ยนรู ้ในเรื่ องที่สนใจ
AI ไม่สำมำรถเรี ยนรู ้ได้ดีเช่นเดียวกับมนุษย์ หรื อ ในแนวทำงเดียวกับ
มนุษย์
Machine learning ไม่สำมำรถใช้ได้กบั แนวทำงควำมคิดสร้ำงสรรค์ แม้วำ่
ระบบเหล่ำนั้นจะสำมำรถจัดกำรกับกรณี ต่ำงๆ ที่ไม่เคยจัดกำรมำก่อนได้ก็
ตำม
มันยังไม่ชดั เจนว่ำทำไม learning systems จึงประสบควำมสำเร็ หรื อล้ม
เหลว
อุปสรรคที่เหมือน ๆ กันของกำรใช้แนวทำงของ AI ไปเพื่อกำรเรี ยนรู ้กค็ ือ
มันดำเนินกำรบนสัญลักษณ์ (symbols) แทนที่จะเป็ นสำรสนเทศเชิงตัวเลข
5
Machine-Learning Techniques
วิธีกำรเรี ยนรู ้ของเครื่ องจักร
Supervised learning
วิธีกำรเรี ยนสอน artificial neural networks โดยใช้กรณี ตวั อย่ำงป้อนเข้ำไปที่
อินพุตของโครงข่ำยแล้วมันจะทำกำรปรับค่ำถ่วงน้ ำหนักเพื่อทำให้ค่ำควำม
ผิดพลำดที่เอำต์พุตของมันลดลงให้เหลือน้อยที่สุด
Unsupervised learning
วิธีในกำรสอน artificial neural networks โดยกำรป้อนอินพุตให้โครงข่ำย
ต่อเนื่องกันไป แล้วโครงข่ำยจะจัดระเบียบตัวเอง (self-organizing)
6
Machine-Learning Techniques
7
Machine-Learning Techniques
Machine-learning methods and algorithms
Inductive learning
Explanation-based learning
Case-based reasoning
A machine learning approach that
assumes that there is enough
Neural computing
existing theory to rationalize why
Genetic algorithms
one instance is or is not a
Natural language processing (NLP)
prototypical member of a class
Cluster analysis
Statistical methods
8
Case-Based Reasoning (CBR)
Case-based reasoning (CBR)
กรรรมวิธีที่ซ่ ึ งองค์ควำมมรู ้และ/หรื อกำรอนุมำนได้มำจำกกรณี ที่เกิดขึ้นมำในอดีต
(historical cases)
Analogical reasoning
กำรหำ outcome ของปัญหำโดยกำรใช้กำรเทียบเคียง เป็ นนแวทำงสำหรับหำ
ข้อสรุ ปของปั ญหำโดยกำรใช้ประสบกำรณ์ที่ผำ่ นมำ (past experience)
Inductive learning
แนวทำงกำรเรี ยนรู ้ของเครื่ องจักรโดยกำรสรุ ปเป็ นกฎจำกกำรอำศัยควำมจริ ง
หรื อข้อมูล)
9
Case-Based Reasoning (CBR)
แนวควำมคิดพื้นฐำนและกระบวนกำรของ CBR
มีสี่กระบวนกำร คือ
1. Retrieve (นำออกมำ)
2. Reuse (ปรับใช้)
3. Revise (แก้ไขให้เมำะสม)
4. Retain (เก็บ)
10
Case-Based Reasoning (CBR)
นิยำมและแนวควำมคิดของ cases ใน CBR
Ossified cases (harden cases)
Case ที่ถูกวิเครำะห์แล้วและไม่มี further value
Paradigmatic cases
Case ที่มีลกั ษณะเป็ น unique ซึ่ งสำมำรถทำกำรก่อให้เกิดควำมรู ้ใหม่ข้ ึนมำใน
อนำคตได้
Stories
Cases ที่มีสำรสนเทศและองค์ประกอบมำกมำย อำจก่อให้เกิดบทเรี ยนขึ้นมำจำก
case เหล่ำนี้
11
Case-Based Reasoning (CBR)
12
Case-Based Reasoning (CBR)
ข้อดีของกำรใช้ CBR
กำรรวบรวมควำมรู ้ได้รับกำรปรับปรุ ง
กำรพัฒนำระบบทำได้เร็ วขึ้น
องค์ควำมรู ้และข้อมูลถูกนำมำใช้งำนมำกขึ้น
ไม่จำเป็ นต้องใช้ Complete formalized domain knowledge
ผูช้ ำนำญรู ้สึกดีกว่ำในกำรถกแถลงในเรื่ องที่เป็ น concrete cases
กำรอธิ บำยทำได้ง่ำยขึ้น
กำรรวบรวม case ใหม่ ๆ ง่ำยขึ้น
กำรเรี ยนรู ้เกิดขึ้นทั้งทำงด้ำนที่มีควำมสำเร็ จและล้มเหลว
13
Case-Based Reasoning (CBR)
14
Case-Based Reasoning (CBR)
กำรใช้งำน เรื่ องที่เกี่ยวข้อง และกำรประยุกต์ใช้ของ CBR
กำรประยุกต์ใช้
CBR in electronic commerce
WWW and information search
Planning and control
Design
Reuse
Diagnosis
Reasoning
15
Case-Based Reasoning (CBR)
เรื่ องเกี่ยวกับกำรประยุกต์ใช้สำหรับผูอ้ อกแบบ
อะไรคือสิ่ งที่สร้ำง case หนึ่ง ๆ ขึ้นมำ? เรำจะใส case เข้ำไปใน
หน่วยควำมจำอย่ำงไร?
กฏเกณฑ์กำรปรับตัวแบบอัตโนมัติ (automatic case-adaptation rules) จะ
เป็ นเรื่ องที่มีควำมซับซ้อนมำก
จะจัดรู ปแบบหน่วยควำมจำอย่ำงไร? อะไรคือ indexing rules?
คุณภำพของผลลัพธ์จะขึ้นกับ index ที่นำมำใช้เป็ นอย่ำงมำก
ฟังก์ชนั ของหน่วยควำมจำจะเกี่ยวข้องกับกำรดึงสำรสนเทสออกไปใช้งำน
อย่ำงไร ?
จะดำเนินกำรค้นหำ case อย่ำงมีประสิ ทธิ ภำพได้อย่ำงไร (เช่น knowledge
navigation)?
16
Case-Based Reasoning (CBR)
เรำจะจัดระเบียบ case ทั้งหลำยได้อย่ำงไร?
เรำจะออกแบบ distributed storage ของ case ทั้งหลำยได้อย่ำงไร?
เรำจะปรับปรุ งคำตอบเดิม ๆ ที่มีอยูแ่ ล้วเข้ำกับปั ญหำใหม่ ๆ ได้อย่ำงไร?
เรำสำมำรถที่จะทำกำรปรับปรุ งหน่วยควำมจำง่ำย ๆ สำหรับ efficient
querying โดยขึ้นกับ context ได้หรื อไม่? อะไรคือตัววัดที่เหมือน ๆ กันและ
สำมำรถใช้ไปแก้ไข rule ต่ำง ๆ ได้?
เรำจะสำมำรถ factor errors ออกจำก original cases ได้อย่ำงไร?
เรำสำมำรถจะเรี ยนรู ้จำกควำมผิดพลำดของเรำได้อย่ำงไร? นัน่ คือเรำจะ
ซ่อมแซมและปรับปรุ ง case base ให้ทนั สมัยได้อย่ำงไร?
17
Case-Based Reasoning (CBR)
Case base อำจต้องกำรขยำยออกในเชิงเกี่ยวข้องกับ model ในขอบเขตใด
ขอบเขตหนึ่ง ซึ่ งกำรวิเครำะห์ต่ำง ๆ ในขอบเขตนั้น ๆ เกิดควำมล่ำช้ำ
เรำจะรวม CBR เข้ำกับ knowledge representations และ inferencing
mechanisms อื่น ๆ ได้อย่ำงไร?
จะมีกรรมวิธีทำ pattern-matching ที่ดีกว่ำที่เรำใช้ในปั จจุบนั ได้อย่ำงไร?
จะมี retrieval system อื่น ๆ อันเป็ นทำงเลือกที่ match กับ CBR schema
หรื อไม่?
18
Case-Based Reasoning (CBR)
แฟกเตอร์ที่ทำให้ CBR system ประสบควำมสำเร็ จ
1. ช่วยค้นหำเป้ำประสงค์ทำงธุรกิจที่เฉพำะเจำะจง
2. ช่วยให้เข้ำใจ end users และ customers
3. ทำกำรออกแบบระบบได้อย่ำงเหมำะสม
4. ช่วยวำงแผนกระบวนกำรจัดกำรควำมรู ้ที่กำลังเกิดขึ้น
5. ช่วยให้บรรลุ returns on investment (ROI) และตัววัดต่ำง ๆ
6. ช่วยวำงแผนและดำเนิ นกำร customer-access strategy
7. ขยำยกำรสร้ำงควำมรู ้และเข้ำถึงได้ทวั่ ทั้งองค์กร
19
Genetic Algorithm Fundamentals
Genetic algorithms (GAs)
โปรแกรมที่เรี ยนรู ้กำร
วิวฒั นำกำรในลักษณะ
เดียวกับแนวทำงวิวฒั นำกำร
ของสิ่ งมีชีวติ
20
Genetic Algorithm Fundamentals
Genetic algorithm process and terminology
Chromosome
คำตอบที่คำดหวังที่จะได้จำก genetic algorithm
Reproduction
กำรสร้ำงสำยพันธุ์ใหม่ (new generations) ซึ่ งเป็ นคำตอบที่ถูกปรับปรุ งโดยกำร
ใช้ genetic algorithm
21
Genetic Algorithm Fundamentals
Crossover (การสลับสายพันธ์ )
กำรรวมส่ วนต่ำง ๆ ของ two superior solutions โดยใช้ genetic algorithm เพื่อ
สร้ำงคำตอบที่ดีกว่ำเดิม
22
Mutation (การกลายพันธุ์)
กำรดำเนินกำรทำงพันธุกรรมที่ก่อให้เกิด random change ใน potential
solution
23
Genetic Algorithm
Fundamentals
24
Genetic Algorithm Fundamentals
25
Genetic Algorithm Fundamentals
ตัวแปรที่ตอ้ งกำหนดให้กบั genetic algorithm
Number of initial solutions to generate
Number of offspring to generate
Number of parents and offspring to keep for the next generation
Mutation probability (very low)
Probability distribution of crossover point occurrence
26
Genetic Algorithm Fundamentals
ข้อจำกัดของ genetic algorithms
ไม่ใช่ทุก ๆ ปั ญหำจะสำมำรถกำหนดออกมำโดยใช้คณิ ตศำสตร์ ตำมที่
genetic algorithms ต้องกำรได้
กำรพัฒนำ genetic algorithm และ กำรตีควำมผลลัพธ์ที่ได้ ต้องกำร
ผูช้ ำนำญกำรซึ่ งเป็ นทั้งกำรเขียนโปรแกรมและมีทกั ษะทำงด้ำนสถิติ/
คณิ ตศำสตร์ตรงตำมที่ genetic algorithm technology ต้องกำรใช้
ในบำงสถำนกำรณ์ “genes” จำก few comparatively highly fit (but not
optimal) individuals may come to dominate the population, ทำให้มนั เกิด
กำร converge ไปสู่ local maximum
27
Genetic Algorithm Fundamentals
genetic algorithms ทั้งหมดจะขึ้นกับ random number generators ที่สร้ำง
ผลลัพธ์ที่แตกต่ำงกันออกไปในแต่ละครั้งที่รัน model
กำรกำหนดตัวแปรที่ดีซ่ ึ งใช้งำนได้เหมำะสมกับปั ญหำที่เฉพำะเจำะจงเป็ น
เรื่ องที่ยงุ่ ยำก
กำรเลือกกรรมวิธีซ่ ึ งก่อให้เกิดกำรวิวฒั นำกำร ระบบต้องผ่ำนกำรคิดและ
ทำกำรประเมินอย่ำงรอบคอบ
28
Developing Genetic Algorithm Applications
Applications of GAs include:
Dynamic process control
Induction of optimization of rules
Discovery of new connectivity
topologies (e.g., neural computing
connections, i.e., neural network
design)
Simulation of biological models of
behavior and evolution
Complex design of engineering
structures
Pattern recognition
Scheduling
Transportation and routing
Layout and circuit design
Telecommunication
Graph-based problems
29
Fuzzy Logic Fundamentals
Fuzzy logic
แนวทำงควำมเป็ นเหตุเป็ นผลที่สอดคล้องกันทำงตรรกะที่สำมำรถรับมือกับ
สำรสนเทศที่ไม่แน่นอนหรื อแยกเป็ นส่ วน ๆ; คุณลักษณะกำรคิดของมนุษย์และ –
ของ expert system หลำย ๆ ระบบ
Fuzzy sets
แนวทำงกำรใช้ทฤษฏีเซ็ตในกำรกำหนดว่ำกลุ่มของสมำชิกใดมีควำมพอดีนอ้ ยกว่ำ
กำรมีวตั ถุประสงค์ที่ชดั แจ้งภำยในหรื อภำยนอกกลุ่ม
30
Fuzzy Logic Fundamentals
31
Fuzzy Logic Fundamentals
กำรประยุกต์ใช้ Fuzzy logic ในกำรผลิตและกำรจัดกำร
กำรเลือกซื้ อหุ น้ (เช่น Japanese Nikkei stock exchange)
กำรดึงข้อมูลมำใช้ (เพรำะว่ำ fuzzy logic สำมำรถค้นหำข้อมูลได้เร็ ว)
กำรตรวจสอบกระป๋ องเบียร์ เพื่อดูขอ้ บกพร่ องในกำรพิมพ์
กำรจับคู่ไม้ตีกอล์ฟกับวงสวิงของลูกค้ำ
กำรประเมินควำมเสี่ ยง
กำรควบคุมปริ มำณของออกซิ เจนในเตำเผำซี เมนต์
กำรเพิ่มควำมแม่นยำและควำมเร็ วในกำรประยุกต์ทำงด้ำนควบคุมคุณภำพใน
โรงงำนอุตสำหกรรม
กำรเรี ยงปัญหำ (Sorting problems) ใน multidimensional spaces
32
Fuzzy Logic Fundamentals
ทำให้ตวั แบบต่ำง ๆ ที่เกียวกับกำรเข้ำคิวดีข้ ึน (เช่น แถวคอย (waiting lines))
ประยุกต์ใช้กบั กำรสนับสนุนกำรตัดสิ นใจทำงด้ำนบริ หำร
กำรเลือกโครงกำร (Project selection)
กำรควบคุมสภำพแวดล้อมในอำคำร
กำรควบคุมกำรเคลื่อนที่ของรถไฟ
กำรผลิตแผ่นกระดำษโดยอัตโนมัติ
วงโคจรของกระสวยอวกำศ
กำรควบคุมอุณหภูมิของที่หวั ฝักบัว
33
Natural Language Processing (NLP)
การประมวลผลโดยใช้ ภาษาธรรมชาติ (Natural language processing (NLP))
กำรใช้ตวั ประมวลผลภำษำธรรมชำติเพื่อเชื่อมต่อกับระบบที่ใช้คอมพิวเตอร์เป็ น
ฐำน
NLP มีสองประเภท คือ
กำรเข้ำใจภำษำธรรมชำติ (Natural language understanding)
กำรสร้ำงภำษำธรรมชำติ (Natural language generation)
34
Natural Language Processing (NLP)
ปัญหำบำงประกำรที่ทำให้ NLP มีควำมยุง่ ยำก
กำรตรวจจับขอบเขตของคำ
นัยของคำมีควำมกำกวม
กำรสังเครำะห์มีควำมคลุมเครื อ
อินพุตไม่สมบูรณ์ หรื อ อยูน่ อกกฏเกณฑ์
จังหวะคำพูดและแบบแผนกำรพูด
35
Natural Language Processing (NLP)
เทคโนโลยีของ NLP ในปัจจุบนั
กำรค้นหำและกำรดึงสำรสนเทศมำใช้งำน
คนป้อนข้อควำม คำ หรื อ ประโยคหนึ่งเข้ำไปค้นหำในอินเตอร์เน็ตหรื อ
ฐำนข้อมูล แล้วมีกำรใช้ NLP สร้ำงคำตอบโต้ที่เป็ นไปได้ข้ ึนมำ
36
Natural Language Processing (NLP)
กำรประยุกต์ใช้ NLP
กำรเชื่อมต่อระหว่ำง มนุษย์กบั คอมพิวเตอร์
Abstracting and summarizing text
กำรวิเครำะห์หลักภำษำ (Analyzing grammar)
กำรเข้ำใจคำพูด (Understanding speech)
เป็ นส่ วนหน้ำของ software package อื่น ๆ เช่น กำร query ฐำนข้อมูลซึ่ ง
ยอมให้ผใู ้ ช้ใช้ applications programs ด้วยภำษำที่ใช้ทุก ๆ วัน
Text mining
FAQs และ query answering
37
Natural Language Processing (NLP)
เครื่ องแปลภำษำ (Machine translation)
ทำกำรแปลเนื้อหำจำกภำษำหนึ่ งไปเป็ นอีกภำษำหนึ่ ง
หลักเกณฑ์ที่ใช้ประเมิน machine translation
1. ควำมฉลำด (Intelligibility)
2. ควำมถูกต้อง (Accuracy)
3. ควำมเร็ ว (Speed)
38
Voice Technologies
เทคโนโลยีของเสี ยงสำมำรถแบ่งได้เป็ นสำมแบบกว้ำง ๆ คือ:
กำรรู ้จำเสี ยง (หรื อคำพูด) (Voice (or speech) recognition)
กำรเข้ำใจเสี ยง (หรื อคำพูด) (Voice (or speech) understanding)
Text-to-voice (หรื อ กำรสังเครำะห์เสี ยง (or voice synthesis))
39
Voice Technologies
Voice (speech) recognition
กำรแปลเสี ยงมนุษย์ไปเป็ นคำ ๆ และประโยคซึ่ งคอมพิวเตอร์เข้ำใจได้
Speech understanding
ด้ำนหนึ่งของกำรวิจยั ที่เกี่ยวข้องกับ AI เจตนำก็เพื่อให้คอมพิวเตอร์รู้จำคำหรื อ
ข้อควำมอันเป็ นคำพูดของมนุษย์
40
Voice Technologies
ข้อได้เปรี ยบของ voice technologies
1. ง่ำยต่อกำรเข้ำถึง (Ease of access)
2. มีควำมเร็ ว
3. ไม่ตอ้ งใช้มือป้อนข้อมูล (Manual freedom)
4. Remote access
5. มีควำมแม่นยำ
6. สื่ อสำรได้แม้ขณะขับรถ
7. ทำกำรเลือกได้อย่ำงรวดเร็ ว (Quick selection)
8. มีควำมปลอดภัย (Security)
9. ได้ประโยชน์ทำงด้ำนต้นทุน (Cost benefit)
41
Voice Technologies
ข้อจำกัดของ speech recognition และ speech understanding
ไม่สำมำรถรู ้จำประโยคยำว ๆ หรื อ ใช้เวลำยำวนำนเกินไปกว่ำจะพูดจบ
จึงได้ใจควำมหรื อเข้ำใจ
ต้นทุนสู ง
คำพูดที่ใช้อำจต้องใช้ร่วมกับแป้นพิมพ์ ก่อให้เกิดควำมล่ำช้ำในกำร
สื่ อสำร
42
Voice Technologies
Voice synthesis
เทคโนโลยีที่คอมพิวเตอร์เปลี่ยนข้อควำมให้เป็ นเสี ยงพูด (text-to-speech)
ระบบ text-to-speech ประกอบไปด้วยสองส่ วนคือ:
ส่ วนหน้ำที่รับอินพุตในรู ปแบบของตัวอักษรแล้วเปลี่ยนเป็ นเอำต์พุตใน
รู ปแบบ symbolic linguistic representation
ส่ วนหลังที่รับ symbolic linguistic representation เข้ำมำแล้วเปลี่ยนให้
เป็ นเอำต์พตุ ในรู ปแบบรู ปคลื่นเสี ยงที่สังเครำะห์ข้ ึนมำ
43
Voice Technologies
Voice technology applications
Call center
Contact of customer care center
Computer/telephone integration (CTI)
Interactive voice response (IVR)
Voice portal
Voice over IP (VoIP)
44
Voice Technologies
Voice portals
Web sites, usually portals, with audio interfaces
45
Developing Integrated Advanced Systems
Fuzzy neural networks
Fuzzification
A process that converts an accurate number into a fuzzy description, such as
converting from an exact age into young or old
Defuzzification
Creating a crisp solution from a fuzzy logic solution
46
Developing Integrated Advanced Systems
47
Developing Integrated Advanced Systems
48
Developing Integrated Advanced Systems
Genetic algorithms and neural networks
The genetic learning method can perform rule discovery in large databases,
with the rules fed into a conventional ES or some other intelligent system
To integrate genetic algorithms with neural network models use a genetic
algorithm to search for potential weights associated with network
connections
A good genetic learning method can significantly reduce the time and effort
needed to find the optimal neural network model
49
จบหัวข้อ 13
คำถำม ………..
50