Bài giảng trí tuệ nhân tạo

Trong khoa học máy tính, trí tuệ nhân tạo hay AI (tiếng Anh: artificial intelligence), đôi khi được gọi là trí thông minh nhân tạo, là trí thông minh được thể hiện bằng máy móc, trái ngược với trí thông minh tự nhiên của con người. Thông thường, thuật ngữ trí tuệ nhân tạo thường được sử dụng để mô tả các máy chủ móc (hoặc máy tính) có khả năng bắt chước các chức năng nhận thức mà con người thường phải liên kết với tâm trí, như học tập và giải quyết vấn đề

BÀI GIẢNG MÔN HỌC : Trí Tuệ Nhân Tạo Nội dung :        Toång quan trí tuệ nhân tạo Các phương pháp giải vấn đề Hệ chuyên gia Các phương pháp biểu diễn tri thức Vài ứng dụng trí tuệ nhân tạo lý giải với logic Xử lý tri thức không chắn Việc học máy Biên sọan : Tiến só Nguyễn Thiện Thành • Thành phố Hồ Chí Minh Ngày Thánh 01 Năm 2006 Chương : Tổng Quan Về Trí Tuệ Nhân Tạo Chương gồm có :  Trí tuệ nhân tạo ?  Lịch sử phát triển trí tuệ nhân tạo  Các thành phần trí tuệ nhân tạo  Giới Thiệu Về Ngôn Ngữ Lập Trình Prolog Trí tuệ nhân tạo ?    Trí tuệ nhân tạo lónh vực khoa học chuyên nghiên cứu phương pháp chế tạo trí tuệ máy cho giống trí tuệ người Vài định nghóa trí tuệ nhân tạo điển hình  Hệ thống mà biết suy nghó người  Hệ thống mà biết hành động người Để hệ thống mà biết suy nghó hành động giống người hệ thống phải có tri thức, phải có khả lý giải, phải có khả học, phải có thị giác thính giác đồng thời phải biết di chuyển giống người  Trí tuệ người ? Là khả giải vấn đề người  Thường, khả giải vấn đề người thông qua bốn thao tác  Xác định tập hợp đích  Xét trình suy nghó giải vấn đề người, trình suy nghó phải có điểm bắt đầu điểm kết thúc Điểm bắt đầu gọi trạng thái ban đầu điểm kết thúc gọi trạng thái đích tóan  Giữa hai trạng thái trình suy nghó phân rã nhiều mảnh nhỏ, mảnh nhỏ gọi đích phần  Tập đích phần định hướng cách giải vấn đề người  Thu thập kiện luật suy diễn  Con người thường xuyên thu thập kiện công thức hóa kiện thành luật để làm sở tri thức giải vấn đề  Luật mối quan hệ vài kiện biết vài kiện chưa biết  Tri trức hiểu biết lónh vực  Cơ chế tập trung  Khi giải vấn đề, có nhiều đường suy nghó khác xuất lúc  Để tập trung bám theo đường suy nghó giải vấn đề đồng thời lọai bỏ đường suy nghó khác nhờ chế có sẵn óc người chế tập trung  Bộ máy suy diễn  Quá trình giải vấn đề trình lập luận từ kiện biết để suy diễn kiện chưa biết  Quá trình lặp lại dẫn đến đích  Để làm điều này, nhờ chế có sẵn óc người máy suy diễn  Trí tuệ máy ? Trí tuệ máy khả giải vấn đề máy cho giống khả giải vấn đề người  Hành động giống người  Suy nghó giống người  Học thích nghi với tình giống người  Xử lý thông tin giống người  Hành động suy nghó sở logic xác giống người  Nền tảng trí tuệ nhân tạo cần đến nguồn tri thức nhiều lónh vực khoa học khác  Khoa học máy tính kỹ thuật máy tính ( chế tạo phần mềm phần cứng)  Triết học ( Thiết kế luật suy diễn lý giải )  Tóan học ( Kiến thức suy luận logic, thiết kế thuật tóan tối ưu hóa )  Tri học tâm lý học (Mô hình hóa suy nghó người mức cao )  Khoa học thần kinh ( Mô hình hóa họat động bộc óc người mức thấp )  Ngôn ngữ học ( tạo ngôn ngữ nói tự nhiên cho máy ) Nền tảng mô tả hình Mathematics Economics Psychology Computer Science & Engineering Artificial Intelligence Cognitive Science Philosophy Biology Linguistics Lịch sử phát triển trí tuệ nhân tạo  Ý tưởng chế tạo trí tuệ máy có từ lâu đến năm 1950, nhà tóan học người Anh công bố công trình khoa học ông ta “Máy tính Thông minh”  Đây xem mốc lịch sử bắt đầu phát triển khoa học trí tuệ nhân tạo Những năm sau có công trình công bố  Năm 1956, chương trình giải tóan tổng quát  Năm 1958, chương trình chứng minh định lý hình học  Đỉnh cao việc phát triển lónh vực phải nói đến năm 1960 Dù bị hạn chế nhiều trang thiết bị năm có nhiều công trình công bố  Năm 1960, ngôn ngữ Lisp  Năm 1961, chương trình giải tóan đại số sơ cấp  Năm 1963, chương trình trò chơi cờ vua  Năm 1964, chương trình tính tích phân  Năm 1966, chương trình phân tích học nói  Năm 1968, chương trình điều khiển Robot theo phương án mắt tay  Năm 1972, ngôn ngữ Prolog  Từ năm 1969 đến năm 1999, có nhiều chương trình xây dựng hệ sở tri thức  Thật vậy, lónh vực trí tuệ vào đời sống dân dụng từ năm 1980 đến Các thành phần trí tuệ nhân tạo  Có hai thành phần trí tuệ nhân tạo biểu diễn tri thức tìm kiếm tri thức miền biểu diễn  Tri thức tóan phân làm ba lọai tri thức tri thức mô tả, tri thức thủ tục tri thức điều khiển  Tri thức mô tả : mô tả biết tóan Lọai tri thức bao gồm kiện, quan hệ tính chất tóan Tri thức thủ tục : mô tả tổng quát cách giải tóan Lọai tri thức bao gồm luật suy diễn hợp lệ, chiến lược tìm kiếm giải thuật tìm kiếm  Tri thức điều khiển : luật chủ chốt để điều khiển trình tìm kiếm giải tóan  Cho Wij trọng số kết nối đơn vị thứ j đơn vị thứ i, luật học cập nhật trọng trọng số thời điểm t+1 thiết lập • Wij(t+1) = Wij(t) + Wij(t)  Trong đó,  số dương gọi tốc độ học Wij(t) lượng gia tăng trọng số thời điểm t  Có ba thể lọai học mạng neuron nhân tạo học giám sát, học củng cố học không giám sát  Học giám sát : cho tập liệu vào mong muốn, trình học cập nhật trọng số kết nối phần tử xử lý mạng cho ngõ that mạng xấp xỉ với ngõ mong muốn mạng  Học củng cố : thể lọai học giám sát, nhiên, tín hiệu mong muốn mạng tín hiệu củng cố tín hiệu thưởng phạt Quá trình học, cập nhật trọng số kết nối đơn vị xử lý cho ngõ thật mạng xấp xỉ với ngõ mong muốn thưởng với độ tin cậy cao tốt  Học không giám sát : thể lọai học liệu mong muốn, trình học với tập liệu vào mong muốn, mạng tự cập nhật trọng số kết nối dựa sở tập liệu vào mong muốn cho ngõ thực mạng thích nghi với ngõ vào mong muốn • 2) Mạng truyền thẳng giải thuật học lan truyền ngược :  Cho mạng truyền thẳng ba lớp mô tả trên, với hàm chi phí đo tín hiệu sai số ngõ thực yi (k) mạng ngõ mong muốn di (k) mạng cho mẫu tín hiệu vào mong muốn X(k) laø 1n E(k)  (di (k)  yi (k)) i1  Giải thuật học lan truyền ngược cập nhật trọng số kết nối mạng mô tả gồm bước sau : • Bước : Nhập tập mẫu huấn luyện vào mong {X(k), d(k), cho k = 1, ,p}, X(k) véctơ mẫu vào d(k) véctơ mẫu Thiết lập tốc độ học , sai số cho phép hội tụ Emax , trọng số khởi tạo, E = k = • Bước : Truyền tín hiệu chuyển tiếp từ lớp vào, qua lớp ẩn đến lớp • Cho q = đến l netq (k )  Vqj (k ) x j (k ) m j 1 • • Cho i = ñeán n neti (k )  Wiq (k ) zq (k ) l q 1 • z q ( k )  a ( net q ( k )) yi (k)  a(neti (k)) Bước : Tính sai số chuan ngõ mong muốn ngõ thực mạng n E(k )   (d i (k )  yi (k )) i 1 • • Bước : Lan truyền ngược cập nhật trọng số kết nối lớp Cho i = đến n  i ( k )  ( d i ( k )  y i ( k ))  a ' ( net i ( k )) • • Cho i = đến n Cho q = đến l • Cho q = ñeán l W iq ( k  )  W iq ( k )     i ( k )  z q ( k )  q ( k )  a ( net ' q ( k ))   n W qi ( k )  i ( k ) i 1 • • Cho q = đến l Cho j = ñeán m V qj ( k  1)  V qj ( k )     q ( k )  x j ( k ) • • Bước : Kiểm tra k < p tăng k = k + quay bước 1; mặt khác đến bước Bước : Kiểm tra E < Emax dừng thủ tục huấn luyện; mặt khác thiết lập E = k = quay bước thực hệ huấn luyện khác • 3) Ví Dụ Ứng dụng : • Cho Robot tự hành di chuyển mặt phẳng kẻ lưới hai chiều hình vẽ S1 (North) S4 (West) RObot S3 (South S2 East  Robot gắn bốn cảm biến để nhìn bốn hướng S1 (North), S2(East), S3(South) S4(West)  Nếu ô xung quanh robot chứa chướng ngại vật, cảm biến trả chữ số 1; mặt khác cảm biến trả chữ số  Với tóan Robot học để tránh chướng ngại vật, mạng truyền thẳng ba lớp thiết lập có cấu trúc mạng laø S1 North S2 East S3 South S4 West  Với ngõ vào mạng giá trị trả cảm biến với chữ số ứng với ngõ mong muốn mạng hướng không chứa chướng ngại vật ngõ hướng chữ số 1; mặt khác ngõ mong muốn mạng chữ số  Trên sở đó, ta có tập mẫu liệu vào mong muốn để huấn luyện mạng cho robot học tránh chướng ngại với chuổi nhị phân vào mong muốn k X(k)= [S1 S2 S3 S4] D(k)= North, East, South,West] [1 1 1] [0 0 0] [1 1 0] [0 0 1] [1 1] [0 0] [1 0] [0 1] [1 1 ] [0 0] [1 0] [0 1] [1 0 1] [0 1 0] [1 0 0] [0 1 1] [0 1 1] [1 0 0] 10 [0 1 0] [1 0 1] 11 [0 1] [1 0] 12 [0 0] [1 1 ] 13 [0 1] [1 0] 14 [0 0] [1 1] 15 [0 0 1] [1 1 0] 16 [0 0 0] [1 1 1] 7.4) Giải Thuật Di Truyền (Generic Algorithm) :  Giải thuật di truyền dựa vào tiến hóa luật di truyền sinh học sinh sản lai ghép gene cha mẹ tự nhiên tồn phát triển từ hệ sang hệ khác với hệ tồn thích nghi với môi trường sống hệ cha ông  Quá trình tiến hóa sinh sản tự nhiên tồn phát triển từ hệ sang hệ khác bao gồm chọn lọc tự nhiên (Natural selection), lai ghép (Cross) đột biến (mutation) Chọn lọc tự nhiên :Một quần thể (population) chứa nhiều cá thể (individual), có cá thể thích nghi với môi trường sống mới, tồn đấu tranh sinh tồn; mặt khác cá thể không thích nghi với môi trường sống bị đào thải Lai ghep : Đơn vị di truyền cấp tế bào nhiễm sắc thể (Chromosome) hay gọi cá thể quần thể; đó, nhiễm sắc thể gồm nhiều gen  Trong qua trình lai ghép nhiễm sắc thể cha mẹ bị phân chia tạo nên nhiễn sắc thể  Như vậy, nhiễm sắc thể bao gồm số gen cha số gen mẹ  Thông qua trình lai ghép (sinh sản), gen tốt cha mẹ truyền từ đời sang đời khác  Đột biến : Mỗi cá thể chứa nhiều gen gen có thay đổi cách ngẫu nhiên lỗi qua trình di truyền với xác suất xảy đột biến tự nhiên thấp Quá trình đột biến tìm nhiễm sắc thích nghi môi trường sống  Giải thuật di truyền (GA) mô tả lưu đồ khồi hình Khởi tạo số liệu cho quần thể vớ n cá thể ngẫu nhiên miền [a, b]của biến, a cận b cận biến Chọn lọc ngẫu nhiên tìm nhiễm sắc thể quần thể có độ thích nghgi tốt thông qua hàm thích nghi Mã hóa quần thể với n cá thể chuổi nhị phân chuổi thập phân Chọn lọc : chọn cá thể thích nghi quần thể, lọai bỏ cá thể không thích nghi quần thể Lai ghép : Lai ghép nhiễm sắc thể cha mẹ tạo nên nhiễm sắc thể thông qua gen di truyền từ cha mẹ Đột biến : Tìm kiếm nhiễm sắc thể thích nghi môi trường sống Giải mã : giải mã nhiễm sắc thể quần thể sang dạng liệu thực số Họi tụ No Kết thúc Yes  Giải thuật di truyền với cá thể quần thể mã hóa chuổi nhị với miền cá thể quần thể [a,b] mô tả tóm tắt bước sau : • Bước : Khởi tạo quần thể với cá thể quần thể xi, i = 1, ,N dùng hàm ngẫu nhiên tạo N cá thể quần thể.ø • t = 0; • for i = 1: N • xi,t = random(a,b); • end; • Bước : Chọn lọc ngẫu nhiên, tìm cá thể quần thể có độ thích nghi tốt thông qua hàm thích nghi fitness  Cho f(x) hàm muốn tìm cực đại cực tiểu Nếu f(x) hàm cực tiểu, hàm thích nghi thiết lập fitness(x) = 1/f(x) Nếu f(x) hàm tìm cực đại, hàm thích nghi thiết lập fitness(x) = f(x)  Giải thuật chọn lọc ngẫu nhiên mô tả for i = 1:N b = random(0,1); k = 1; k N fitness ( x ) / while k < N & b <  j 1  j 1 fitness ( x j ,t ) j ,t k = k + 1; end; xi,t+1 = xk,t; end; • • • • Bước : Mã hóa cá thể quần thể chuổi nhị phân dùng công thức for i = 1:N Si,t+1 = binn (round((2n – 1)(xi,t+1 – a)/(b –a))) end;  Trong binn hàm biến đổi số nguyên thập phân sang số nhị phân, a cận dưới, b cận biến cá thể quần thể n chiều dài chuổi nhị phân  Hàm binn biến đổi số nguyên dương sang chuổi nhị nhân thiết với vòng lặp for k = 1: n s[k] = remainder = (num)mode(2); num = round(num/2); end; for k = n : s(k) = S(n – k + 1); end; • Bước : Chọn hai nhiễm sắc thể với độ thích nghi tốt nhất, nhiễm sắc thể gọi parent1 nhiễm sắc thể khác gọi parent2, lai ghép gen hai nhiễm sắc thể để tạo nhiễm sắc thể child1 child2 phương pháp lai ghép điểm nhị phân ngẫu nhiên với giải thuật mô tả • for i = 1:2:N-1 • if random(0,1)