Einführung in die AI, VO - PO - MTB

Einführung in die AI
1. EINFÜHRUNG, WISSENSPRÄSENTATION UND
WISSENSVERARBEITUNG
1.1 Durch welches Resultat wurde Hilberts Programm zunichte gemacht?
Jede ( rekursive ) Axiomatisierung der Zahlentheorie ist unvollständig ( Gödel, 31)
1.2 Turing Test:
Ein nur über Fernschreiber mit je einem Menschen und einem Rechner verbundener Tester
muss herausfinden, wer sein menschlicher Partner ist; gelingt es nicht liegt künstliche
Intelligenz vor.
1.3 Prozedurale Wissensrepräsentation:
Vorteile: sehr effizient
Nachteile: aufwendig zu ändern, falls sich Wissen ändert
1.4 Klassische Logik ist monoton, dh.:
Für alle Wissensbase KB1 und KB2 gilt:
Alles was aus KB1 logisch folgt, folgt auch aus der erweiterten Wissensbasis KB1 KB2.
1.5 Bsp für nichtmonotones Schließen
A: Auto wurde an Ort X abgestellt
B: Auto steht an Ort X
C: Auto wurde abgeschleppt
R1: Wenn Auto an Ort X abgestellt, dann steht es dort
R2: Wenn Auto abgeschleppt, dann nicht mehr an X
1.6 Default:
d = A:MB/B
d = wenn A bereits gilt und wenn B zu schließen nicht zu Widersprüchen führt, dann schließe
B.
1.7 Forward chaining:
Mechanismus des Schlussfolgerns:
- finde Fakten, die zu den Prämissen einer Regel passen
- ersetze die Variablen der Regel entsprechen
- schließe das Konklusionsatom
- wiederhole einfache Ableitungsschritte bis keine neuen Fakten mehr herleitbar
Verarbeitung der Regel in Richtung des Implikationspfeils
Backward chaining:
- von einem Faktum (Goal) ausgehend Regeln rückwärts verfolgen und versuchen,
Herleitungen für das Goal zu finden
Verarbeitung der Regel in Gegenrichtung des Implikationspfeils
2. CONSTRAINT SATISFACTION PROBLEME:
2.1 Welches Problem das Sie kuerzlich lösen mussten lässt sich als CSP ausdrücken?
Beschreiben Sie kurz die wesentlichen Komponenten. (Bitte kein Beispiel aus der Vorlesung)
Kinofilmauswahl:
a) jeweils verschiedene Möglichkeiten: Forrester Gefunden, Miss. Undercover, Ein
Königreich für ein Lama, ...
b) Constraints: kein Zeichentrick, gute Plätze in den letzten Reihen, keine Spätvorstellung, ...
2.2 Chronologisches Backtracking:
Systematische Erweiterung partieller Lösungen bis eine Lösung gefunden ist. Dazu wird ein
Suchbaum aufgespannt, der systematisch durchlaufen wird: jede partielle Belegung ist ein
Knoten.
Partielle Belegung B:
- prüfe, ob B partielle Lösung des CSP
- gebe FALSE bzw Lösung aus
- wähle nächste Variable
- rekursives Aufrufen des BT
Effizienz des Verfahrens: durch Verwendung von Heuristiken beeinflusst
2.3 Unterschied von Backjumping und Conflict-Directed Backjumping:
Backjumping:
Wenn Suche bei der momentan belegten Variable xi in eine Sackgasse führt, so springt BJ zu
der tiefsten Variable xh die mit xi verglichen wurde -> wird Belegung von xh verändert, dann
wieder konsistente Belegung von xi möglich
Conflict-Directed Backjumping:
Jede Variable xi hat Konfliktmenge K(xi), mit allen bereits belegten, mit xi inkonsitenten
Variablen.
Wenn es nun hier zu einer Sackgasse kommt, so springt BJ zur tiefsten Variable die in
enthalten ist: K(xi) wird zu K(xh) dazugenommen, nur xh bleibt.
2.4 Zwei unterschiedliche Darstellungsarten von Constraints:
Kanonische Darstellungsart: Constraints als Menge von n-Tupeln C(x1,......,xm)
Graphische Darstellungsart:
- Constraint Graph ( für binäre Constraints ): Constraints als Kanten, Variablen als Knoten
- Erweiterte Constraints Graph ( für binäre Constraints ): zeigt erlaupte Tupel
- Hypergraph für nicht binäre
2.5 Wie lassen sich unterschiedliche Lösungsverfahren für CSPs vergleichen?
- Anzahl besuchter Knoten im Suchbaum
- Anzahl der Konsistenztest
2.6 Vorteil von CSPs
CSP = Constraint Satisfaction Probleme, sind eine einfache Darstellungsweise von Problemen
bei denen es verschiedene Möglichkeiten zur Auswahl gibt, die von Constraints (
Einschränkungen, Bedingungen ) eingeschränkt wird.
-> Lösungen anschauen, und überprüfen ob Constraints erfüllt!
- allgemeine, intelligente Lösungsverfahren
- ermöglichen einheitliche Lösungsverfahren für verschiedenste Problemstellungen
- viele Anwendungen
2.7 Kanonische Darstellung von Constraints:
Ein CSP T ist ein Tupel <V, (W1,....,Wm),C>:
- endliche Menge V von Variablen x1,.....,xm
- zugehöriger Wertebereich W1,..........,Wm
- eine endliche Menge C von Constraints
(n-stellige Constraints beschränken die mögliche Belegung von n Variablen n-stelligen
Relationen)
Graphische Darstellung von Constraints
2.8 Aus welchen Teilen besteht die Definition eines CSP
Ein CSP T ist ein Tupel <V, (W1,....,Wm),C>:
- endliche Menge V von Variablen x1,.....,xm
- zugehöriger Wertebereich W1,..........,Wm
eine endliche Menge C von Constraints
3. KOMPLEXITÄT
3.1 P, NP, EXPTIME:
- P … beweisbar polynomiell
Probleme, für die ein ( deterministischer ) polynomieller Algorithmus existiert
z.B.: Finde kürzeste Wege zwischen Graphenknoten (lineare Programmierung), Sortieren
- EXPTIME ... beweisbar exponentiell
Probleme, für die es einen ( deterministischen ) Algorithmus mit exponentiellem Aufwand
gibt
z.B.: Logische Theorie der reellen Zahlen ( Domino Probleme)
- NP ... nichtdeterministisch polynomiell
Probleme, für die es einen nichtdeterministischen Algorithmus mit polynomiellen Aufwand
gibt
z.B.: Faktorisieren, diskreter Logarithmus
- NP-vollständig
Probleme in NP, auf die jedes andere Problem aus NP mit polynomiellen Aufwand reduziert
werden kann.
z.B.: Travelling-Salseman-Problem, Königsberger Brückenproblem
3.2 Zwei NP-vollständige Probleme:
Rucksackproblem, Travelling-Salesman-Problem
3.3 Drei Lösungsansätze für NP-vollständige Probleme:
- Randomisierte Lokale Suche
- Approximation
- Identifikation leicht lösbarer Subklassen
3.4 Randomisierte Suche:
- erzeuge zufällig Lösungskandidaten
- führe solange wie möglich lokale Verbesserungen durch
- wenn Lösung gefunden Ò Ausgeben, Programm beendet
- Wenn Zeitlimit erreicht Ò Abbruch, keine Lösung
- Schritt 1.
3.5 NP-Approximation:
Ein Maximierungsproblem ist -approximierbar, wenn es einen Algorithmus T mit
polynomieller Laufzeit gibt, sodass:
- für alle Instanzen x:
Approximationsgrad eines Maximierungsproblems A: größte Untere Schranke für Approximierbarkeit:
3.6 Wodurch ist NP-Härte bei Graphenproblemen oft bedingt?
Durch Zyklizität
3.7 eine polynomielle Subklasse für das Dreifärbbarkeitsproblem:
U: Universum, Menge der Knoten
E: 2-stellige Relationen, Kanten
4. UNSICHERES SCHLIESSEN
4.1 zwei verschieden Arten von Unsicherheit + Beispiele:
- Bayes'sche Interfenzregel: Beispiel - Mont y Hall's Rätsel
- Fuzzy Interferenz: Beispiele - Zeitliche Planung, medizinische Diagnose-Expertensysteme,
Automatik-Getriebe Steuerung, Qualitätskontrolle, Intelligente Haushaltsgeräte, Kameras, ...
4.2 Drei Todeskandidaten warten auf ihre Hinrichtung. Allerdings ist bekannt, dass einer der
drei begnadigt werden soll. Der Kandidat 1 fragt den Gefängniswärter: "Hör mal, kannst Du
mir verraten, wer von den beiden anderen dran glauben muss? Einer ist auf jeden Fall an der
Reihe, also verrätst Du mir kein großes Geheimnis." Der Wärter überlegt und sagt "Irgendwie
hast Du recht. Also, Kandidat 2 ist fällig." Jetzt ist der erste Todeskandidat erleichtert, denn er
denkt: "Bleiben zwei übrig, einer davon überlebt, also ist meine
Überlebenswahrscheinlichkeit von 1/3 auf 1/2 gestiegen." Was sind die tatsächlichen
Überlebenswahrscheinlichkeiten der drei Kandidaten wenn sonst nichts bekannt ist?
Bayes'sche Interferenzregel:
p(A|B) = p(A)*p(B|A) / p(B) = p(B|A)*p(A) / p(B|A)*p(A)+p(B|¬A)*p(¬A)
p(K1|¬K2) = 1/3
-> p(K3|¬K2) = 0
p(K3|¬K2) = 1/3
4.3 Bayes'sche Interferenzregel:
p(A|B) = p(A)*p(B|A) / p(B) = p(B|A)*p(A) / p(B|A)*p(A)+p(B|¬A)*p(¬A)
4.4 Entwerfen Sie eine kleine Fuzzy-Regelbasis für die Auftau-Automatik eines MikrowellenHerdes.
- wenn Objekt schwer und kleine Auftaustufe,
dann längste Auftauzeit
- wenn Objekt schwer und mittlere Auftaustufe,
dann mittlere Auftauzeit
- wenn Objekt schwer und große Auftaustufe,
dann kurze Auftauzeit
- wenn Objekt mittel und kleine Auftaustufe,
dann längere Auftauzeit
- wenn Objekt mittel und mittlere Auftaustufe,
dann mittlere Auftauzeit
- wenn Objekt mittel und große Auftaustufe,
dann mittlere Auftauzeit
- wenn Objekt klein und kleine Auftaustufe,
dann längere Auftauzeit
- wenn Objekt klein und mittlere Auftaustufe,
dann mittlere Auftauzeit
- wenn Objekt klein und große Auftaustufe,
dann kürzeste Auftauzeit
4.5 Der HIV-Test liefert mit hoher Wahrscheinlichkeit die richtige Antwort (die "Sensitivität"
des Tests, d.h. die Wahrscheinlichkeit, dass das Testergebnis positiv ist wenn die Testperson
infiziert ist, ist 0.998; die "Spezifität"' des Tests, d.h. die Wahrscheinlichkeit, dass das
Testergebnis korrekterweise negativ ist, ist 0.99). Die von Experten am häufigsten genannte
Zahlen für Westeuropa besagen, dass rund ein Promille der sexuell aktiven Bevölkerung
infiziert sind. Wäre es dann sinnvoll, einen Zwangs-HIV-Test für alle in Österreich lebenden
Erwachsenen einzuführen? Nehmen wir an, ein zufällig ausgewählter Erwachsener testet
positiv. Wie gross ist dann die Wahrscheinlichkeit, dass er oder sie trotzdem nicht mit HIV
infiziert ist (schreiben Sie auch die verwendete Formel auf; falls kein Taschenrechner zur
Hand, so schätzen Sie die Größenordnung des Ergebnisses ab)?
Bayes'sche Interferenzregel:
p(A|B) = p(A)*p(B|A) / p(B) = p(B|A)*p(A) / p(B|A)*p(A)+p(B|¬A)*p(¬A)
p(¬i|testpos) = 0.01*0.99 / 0.01*0.999+0.998*0.001 = 0.909174
-> 90.9%
-> Es wäre nicht sinnvoll alle Erwachsenen!
6. SCHEDULING
6.1 Unterschied zwischen Planung und Scheduling:
Planung: Handlungsplanung; was muss in Zukunft getan werden, damit eine Aussage gilt (
ein Produnkt fertig ist )
Scheduling: Prozesspläne sind bekannt, nun möchte ich mehrere bestimmte Produkte, in
bestimmter Zeit und unterschiedlicher Bearbeitung, mit optimaler Ressourcen Nutzung haben.
6.2 Ziele beim Scheduling:
- Erfüllung von Aufträgen für unterschiedliche Produkte mit unterschiedlichen Bearbeitung
- Optimale Nutzung verfügbarer Ressourcen
- Einhaltung der geforderten Fertigstellungszeit
6.3 drei Verfahren zur Lösung von Schedulingproblemen
- Heuristisches Dispatching
- Regelbasiertes Scheduling
- Iterative Optimierung
- Einschränkungsbasiertes Scheduling
6.4 Bestandteile einer weichen Einschränkung:
Bei CSP: (Ci).... Contraints
- Satisfaction (Ci)
- Weight (Ci)
- Type (Ci)
6.5 Wozu dient eine Tabuliste bei der Tabusuche?
Tabuliste enthält Attribute alter Lösungen oder der angewandten Operatoren. Mit ihrer Hilfe
können Zyklen vermieden werden, da Lösungen mit gleichen Attributen bzw. Operatoren
verboten werden.
6.6 Was sind die Ziele beim reaktiven Scheduling?
Ziele:
- Möglichst wenig Änderung am Plan
- Möglichst robuste Pläne, die keine Änderungen erfordern
- Möglichst erst dann reagieren, wenn es auch nötig ist
6.7 Welche wirtschaftlichen Ziele müssen beim Scheduling im Stahlwerk beachtet werden?
- Qualität
- Schlanke Produktion, kleine Lager
- Zeitgerechte Fertigung
- Minimierung Energieeinsatz
- Gleichmäßige Auslastung der Grubenmannschaft
8. KONFIGURATION
8.1 Was ist ein key component:
bestimmte Teile müssen enthalten sein.
8.2 Erläutern Sie die strukturbasierte Konfiguration:
- Strukturbasierte Methoden: Zerlegungsbäume können auch rein hierarchisch sein
(Computer/Gehäuse/Bus)
- entwickelt aus Stücklistenverarbeitung
- einfachster Ansatz, aber beschränkt
- Vorgaben: z.B.,
- bestimmte Teile müssen enthalten sein (key components) - siehe voriges Beispiel
- globale Anforderungen:
möglichst wenig Platz, minimale Kosten
8.3 Beschreiben Sie den Horizont und Schwelleneffekt:
Schwelleneffekt
- kleine Unterschiede in der Spezifikation können große Effekte auslösen.
- z.B.: {A, D, D} statt {A, D, B}: ein Gehäuse reicht nicht mehr - größere Kosten, Gewicht,
oder größerer Stromverbrauch benötigt größeres Netzteil, ...
- Problematik: globale Ressourcen (Gewicht, Kosten) abhängig von lokalen Entscheidungen
Horizonteffekt
- spätes Feststellen von getroffenen Fehlentscheidungen
- Bauteil A erfordert teurere Zusatzteile als B
- Zusatzteile für Teil A erforderlich - vielleicht danach Schwellenüberschreitung
- Ein Teil, das mit B inkompatibel ist, steht an anderer Stelle der Konfiguration (oder wird
erst später dort eingefügt) Problem für heuristische Algorithmen (z.B. A*):
in der Regel keine korrekte Abschrankung für Heuristiken möglich (es kann immer am Ende
ein bisher nicht überprüfter Constraint auftauchen, der mir die Lösung inkonsistent macht)
8.4 Was ist Partial Commitment?
- Partial Commitment:
CD-Player A und B stehen zur Wahl, erfordern beide den Verstärker C.
Richtige Reihenfolge: C festlegen, A/B noch unentschieden lassen (vielleicht gibt es noch
unberücksichtigte Einschränkungen)
8.5 Was ist Propose - and - revise:
- Propose-and-revise:
Stelle eine Lösung zusammen, benutze Prüfungswissen, um Schwachstellen zu finden,
benutze heuristisches Reparaturwissen, um zu reparieren (z.B. VT: System für Entwurf von
Aufzügen)
8.6 Erläutern Sie den Unterschied in der Vorgangsweise zw. regelbasierter und
modellbasierter Konfiguration:
A ->Vx or Vy.
B -> Vy or Vz.
C ->Vx or Vz.
Versuchte direkte Umsetzung in Regeln und
Vorgehensweise:
Regeln:
Nur A Module in AB => Vy.
Frame -> Vx. AC =>Vx.
B =>Vy. BC =>Vz.
C => Vx .
ABC => ungültig.
1 Constraint => mehrere (viele) Regeln
Bestimmte Möglichkeiten werden ausgelassen.
Ungültige Varianten müssen explizit deklariert
werden.
8.7 Geben Sie die Vorteile des constraintbasierten Konfigurationsansatzes gegenüber dem
regelbasierten an:
- Objektorientierte Darstellung der Struktur des Problembereichs:
Komponenten
Anschlüsse (ports)
Attribute (Eigenschaften von Komponenten)
Zusammenbau von Komponenten: über Ports
- dynamisch
10. MASCHINELLES LERNEN
10.1 Wozu maschinelles Lernen? Zählen Sie 3 existierende Anwendungen maschinellen
Lernens auf:
- Fortschritte in Algorithmen und Theorie
- Datenflut (Internet, . . . )
- Rechenleistung mittlerweile vorhanden
Bedarf an autonomer maschineller Intelligenz
Manche Probleme lassen sich anders nicht lösen
10.2 Zählen sie mindestens 3 Arten maschinellen Lernens außer Neuralen Netzwerken auf:
- Genetische Algorithmen (cf. Evolution)
- Induktive Logische Programmierung (Verallgemeinern)
- Abduktion auf logischen Wissensbasen (Theorien er-finden)
- Decision tree learning (Bsp: Tiere Raten)
- Computationales/Statistisches Lernen (PAC-Learning,
- Vapnik-Chervonenkis-Dimension)
- Probabilistic reinforcement learning (Bsp: Ramsey Spiel)
10.3 Schreiben Sie eine induktiven Syllogismus auf:
Deduktion:
Poldi hat von dem Waschmittel getrunken. (Fall)
Das Waschmittel ist giftig. (Regel)
---------------------------------------------------------------Daher hat Poldi starke Bauchschmerzen. (Resultat)
Induktion:
Durch Austausch des Resultats mit der Regel in obiger
Deduktion erhält man einen (deduktiv falschen) Syllogismus,
der als induktive Verallgemeinerung betrachtet werden
kann:
Poldi hat von dem Waschmittel getrunken. (Fall)
Poldi hat starke Bauchschmerzen. (Resultat)
--------------------------------------------------------Daher ist das Waschmittel giftig. (Regel)
10.4 Schreiben Sie einen abduktiven Syllogismus auf:
Abduktion:
Alternativ entsteht durch Austausch des Resultats mit
dem Fall ein (ebenfalls deduktiv falscher) Syllogismus, der
als abduktive Erklärung betrachtet werden kann:
Poldi hat starke Bauchschmerzen. (Resultat)
Das Waschmittel ist giftig. (Regel)
Daher hat Poldi von dem Waschmittel getrunken. (Fall)
Meistens wird Abduktion in folgender Situation angewandt:
Ein überraschendes Resultat, B, wurde beobachtet;
Aber wenn A wahr wäre, dann würde B sofort daraus folgen.
Also hat man guten Grund anzunehmen, daß A wahr ist.
10.5 Erläutern Sie anhand eines Bsps, warum Lernen logisch eigentlich nicht gerechtfertigt
ist:
10.6 Erläutern Sie den Begriff PAC-Learning:
- PAC-learning:
Jede eigentlich falsche Hypothese sollte mit hoher Wahrscheinlichkeit anhand einer kleinen
Menge von Beobachtungen als solche erkennbar sein. Daher sollte jede Hypothese, die mit
ausreichend vielen Beobachtungen im Einklang steht, wahrscheinlich ungefähr korrekt, also
probably approximately correct sein.
Wichtige Voraussetzung: Training und Test-Daten müssen gleiche
Wahrscheinlichkeitsverteilung haben!
Theorie
10.7 Erklären Sie den Begriff probabilistic reinforcement learning:
Folie Seite 10.
Hinweis: Dieser Fragenkatalog dient lediglich als Lernhilfe. Es ist nicht gedacht, nur einfach
diese Fragen auswendig zu lernen! Die mit ??? gekennzeichneten Fragen sind noch nicht
beantwortet!
Viel Erfolg bei deiner Prüfung!
Die Prüfung heißt nach dem alten Studienplan: Konzepte der AI