Intelligenz ist die Fähigkeit sich in neuartigen, unvertrauten Umgebungen zurechtzufinden (Gehirn & Geist, Oktober 2008)
- Wahrnehmung
- Wissen
- Lernen (Fähigkeit sich Wissen anzueignen)
- Induktives Lernen: aus vielen Beobachtungen eine allgemeine Regel ableiten
- Deduktives Schließen: anwenden Allgemeiner Regeln auf einen Spezialfall
- Entscheidungen Treffen
- Planen (z.B. bei einem Strategiespiel)
Unterschiedliche Formen von Intelligenz: Emotionale Intelligenz, logische Intelligenz, musikalische Intelligenz, naturalistische Intelligenz ...
Künstliche Intelligenz ist die Untersuchung von Berechnungsverfahren, die es ermöglichen, wahrzunehmen, zu schlußfolgern und zu handeln (Winston 1992)
Ziel ist die Untersuchung der Struktur der Information und der Struktur von Problemlösungsprozessen, unabhängig von Anwendungen und unabhängig von ihrer Realisierung. (John McCarthy, 1956)
Artificial Intelligence is the study of how to make computers do things at which, at the moment, people are better. (Elaine Rich, 1993)
Künstliche Intelligenz beschäftigt sich mit der Konstruktion rationaler Agenten (Russel & Norvig, 1995 [RN])
Ein mögliches Kriterium ist der Turingtest.
Google hat Ansätze von intelligentem Verhalten. Die Suchmaschine passt sich an die Bedürfnisse des Benutzers an indem es lernt, welche Inhalte relevant sind.
Amazon lern ebenfalls ein Model des Users auf dessen Basis es Kaufempfehlungen für andere relevante Produkte geben kann.
Watson ist ein Supercomputer der IBM, der in die Schlagzeilen kam, weil er die besten Jeopardyspieler geschlagen hat. Die Fragen dieser Quizshow sind sehr komplex und erfordern die Fähigkeit Wissen aus Quellen wie Wikipedia zu extrahieren und Schlussfolgerungen daraus zu ziehen. Bis dahin war man davon ausgegangen, dass Computer nicht in der Lage sind diese Aufgaben besser als Menschen zu lösen.
Ein System das autonom langfristig richtig handelt. Was Richtig bedeutet hängt vom Vorgegebenen Leistungsmaß ab. Das System kann dabei über Sensoren seine Umgebung wahrnehmen und durch Aktoren beinflussen.
- Leistungsbewertung: Wie häufig klickt ein Nutzer auf eine Empfehlung, legt eine Empfehlung in den Wahrenkorb, kauft sie
- Vorwissen: Kunden die das gleiche Produkt gekauft haben wie ich haben ähnliche Interessen, andere Produkte dieser Kunden sind auch relevant für mich
- Erfahrung: Kaufhistory aller Kunden
- Mögliche Aktionen: Vorschläge anzeigen, Vorschläge per Email versenden
Es müssen die Aktoren, Sensoren, Leistungsbewertung und die Umgebung selbst spezifiziert werden.
Staubsauger
- Einfacher Reflexagent
- Wahrnehmung: Sauber/Schmutzig
- Regel: wenn sauber, fahre zu beliebigem Nachbarfeld
- Modelbasierter Reflexagent
- Nachbarfelder von schmutzigen Felder sind ebenfalls schmutzig
- Zielbasierter Agent
- Agent hat Karte des Raumes und plant den Weg durch den Raum so dass Ziel "Alle Felder gesaugt" erreicht wird
- Nutzenbasierter Agent
- Akku oder Zeit begrenzt. Es gibt wichtige Felder. Plane so dass mit gegebenen Randbedingungene möglichst viele wichtiger Felder gesaugt werden
- Lernender Agent
- Lerne welche Felder bevorzugt schmutzig werden
Computer KI
- Einfacher Reflexagent
- Wahrnehmung: Wo ist ein Gegner
- Regel: wenn ein Gegner sichtbar ist greife ihn an, ansonsten bewege dich weiter
- Modelbasierter Reflexagent
- Gegner gehen von der feindlichen Basis aus. Wenn ein Gegner aus einer bestimmten Richtung kommt ist es wahrscheinlich, dass in dieser Richtung noch mehr Gegner sind.
- Zielbasierter Agent
- Plane den Weg aus einem Labyrinth, wenn Karte gegeben. Allgemein Pathfinding.
- Nutzenbasierter Agent
- Mehrere Ziele, Mehrere Aktionen, Jedes Ziel hat einen Bedeutungswert, die Aktionene führen zu unterschiedlichen Zielerfüllungen. Plane Aktionen so, dass Gesamtnutzen maximiert wird
- Lernender Agent
- Lerne hinter welchen Gebieten sich häufig bestimmte Gegener verbergen
- Leistungsbewertung: siehe oben
- Aktionen: siehe oben
- Umgebung selbst:
- Website des Shops
- Kunden welche die Website benutzen
- Sensoren: Schnittstelle zum Tracken des Users
modelbasierter Reflexagent oder lernender Agent
(Kontext: Filmszene zwei Kanister mit 5 und 3 Gallonen sollen so umgefüllt werden, dass man 4 Gallonen erhällt) zielbasierter Reflexagent
Uniform cost search
Nein
Nein
Es wird weniger Speicher benötigt, da ein Zweig komplett bis zur untersten Ebene abgearbeitet wird und danach aus dem Speicher gelöscht werden kann. Allerdings ist sie im vergleich zur Breitensuche nie optimal
Voraussetzungen
- vollständing Beobachtbar
- Nullsummenspiel
- deterministisch
- Größerer Verzweigungsfaktor
- Spiele gehen länger => tieferer Baum
- Es wurde noch keine gute Bewertungsfunktion gefunden
Es wird eine Würfel Ebene zwischen den Min/Max-Ebenen eingeführt. Diese
Eine Abschätzung, für einen Wert der nicht oder nur schwer genau ermittelbar ist
Zustand
2 Individuen werden zufällig aus der Population ausgewählt, wobei fitere Individuen eine größere Wahrscheinlichkeit haben selektiert zu werden.
Aus 2 Individuen wird ein neues generiert, durch kombination der beiden Eltern Induvidien
Zufällige Änderung des Zustands
Funktion die beschreibt, wie gut ein Individum den vorgebenen Leistungsmerkmalen entspricht
Abzählen
Zählen der Fälle P(B) = X In wie vielen dieser Fällen gilt P(A) = Y
P(A | B) = Y / X
- Vollständige Wahrscheinlichkeitsverteilung, enthält alle Verbundswahrscheinlichkeiten der Variablen
- Problem: Hohe Komplexität
- Bayes Netz
- Effizienter, wenn nicht alle Variablen
- Diagnostisches Schließen: von Wirkung auf Ursache schließen
- Kausales Schließen: Von Ursache auf Wirkung schließen
Besteht aus 3 Bestandteilen
- Knoten (Zufallsvariablen)
- Kanten (Abhängigkeiten)
- Wahrscheinlichkeitstabellen für jeden Knoten. Listet alle Wahrscheinlichkeiten unter der Bedingung der Eltern des Knotens auf.
- Starte mit den apriori Zufallsvariablen (Variablen die von keinen anderen Variablen abhängig sind)
- Füge alle Zufallsvariablen hinzu die direkt von den vorher eingefügten Variablen abhängig sind
- Gehe zu 2., wenn noch nicht alle Zufallsvariablen hinzugefügt sind
P(x1, x2, x3) = P(x1 | eltern(x1)) * P(x2 | eltern(x2)) * P(x3 | eltern(x3))
P(A | B)
- Fall: A und B unabhängig P( A | B ) = P (A)
- Fall: Bedingt abhängig Siehe Skript
- Fall: A von B abhängig Wenn B keine Elternknoten hat, direkt ablesbar. ansonsten Verbundswahrscheinlichkeit anwenden