UMĚLÁ INTELIGENCE ODBORNĚ

Pojem ontologie byla převzata z filozofie. Ve filozofii představuje disciplínu, která se zabývá nejobecnějšími otázkami jsoucna a bytí. Existuje úzká souvislost mezi výzkumem informačních a znalostních technologií a filozofickými teoriemi ontologie. V souvislosti s informačními technologiemi a počítačovými systémy je důležité filozofické ontologické rozlišení na kategorie, jak nám je představil již Aristotelés.

Problematika ontologie se týká mnoha vědních oborů: filozofie, lingvistiky, logiky, informatiky, umělou inteligenci nevyjímaje. Tyto a další vědní obory se promítají do mnoha oblastí běžného života. Katalogy obchodních domů, programy, kterými se na internetu rezervujeme letenky, auta v půjčovnách, místa v hotelích, koupě zboží. To všechno jsou aplikace, které běžně používáme. Kromě nich existují složité aplikace v řízení systémů v oblasti technologie, zdravotnictví, samosprávy apod. rozsáhlé ontologie a sémantické lexikony, jako Wordnet nebo Unified Medical Language Systém (UMLS) slouží nejen jako bohaté informační zdroje, ale můžeme je také použít k vývoji a integraci dílčích ontologií.

Rychle rostoucí aplikací samostatně stojící je sémantický web. Komplexní služby sémantického webu se neobejdou bez podpory ontologiemi.

Pro znalost sémantického webu je nutné znát jazyky RDF, RDFS, OWL a SPARWL, včetně jejich konkrétních aplikací v již existujících webech. Sémantický web, aby čistě strojově sloučil a zpracoval velké množství informací z rozličných zdrojů, je zatím pořád ještě utopií.

Začátkem 90. let minulého století byl v článku (Schauss a Schmolka) představen jazyk ALC (attributive langure with complements), který lze považovat za základ deskripčních logik v současnosti aplikovaných na sémantickém webu. Základními prvky jazyka ALC jsou koncepty, které popisují množiny prvků dané domény, role, jež odpovídají binárním relacím mezi těmito prvky a individuály, kterými popisujeme prvky modelované domény.

Za zmínku stojí v této souvislosti prologovský program, který využívá předpokladu konečné domény oproti deskripcím logikám, které omezují expresivitu modelované znalosti při zachování otevřené (nekonečné) domény.

Kromě jazyka ALC nebo OWL DL je velká pozornost věnována i dalším deskripcím logikám, například jazyk DL Lite. Ten umožňuje převést konjunktivní dotazy na databázové dotazy, např. pomocí SQL). Vyhodnocování konjunktivních dotazů se tedy stane časově polynomiální vzhledem k velikosti dat.

---

Ontologické inženýrství se po roce 2000 deklarovalo jako samostatný obor, který zahrnuje velký počet principů, metod a technologických nástrojů. K tomu, aby sémantický web, ale i znalostní technologie obecně, mohly dostát svým možnostem a splňovaly i kvalitativní požadavky, byly věcné, přesné a lidsky srozumitelné, je široké povědomí o metodách a nástrojích ontologického inženýrství nezbytností.

Průmyslová výroba a její řízení se stávají stále více závislé na dodávaných softwarových řešeních založených na filozofii agentů nebo holonů. Takové systémy se opírají o autonomní subsystémy, které umožňují optimalizovat výkon řízeného celku a současně v případě potřeby adekvátně a rychle reagovat na nepředvídatelné nebo vzácně se vyskytující situace.

Využití sémantického webu a ontologií v oblasti průmyslové automatizace a průmyslové výroby významně přispělo k použití multiagentních systémů v průmyslu. Přináší posun technologií v širším měřítku.

Sémantické anotování a extrakce informací vzhledem k rostoucímu objemu textových informací na internetu, firemních intranetech má za úkol zefektivnit vyhledávání v dokumentech. Ovšem i tyto aplikace pro anotování a extrakci mohou být zneužity hackery za účelem získávání dat z webových sídel nebo pro podporu cenzury.

Automatické dokazování vět je obor na pomezí umělé inteligence a formální matematiky, který se zabývá vývojem a implementací algoritmů, ukazujících, že zadané matematické tvrzení (domněnka) je logickým důsledkem zadané množiny axiomů. Automatické dokazovače se dnes používají v řadě oborů. Jazykem (a formalismem) používaným pro formulaci problémů ATP je nejčastěji klasická predikátová logika (logika prvního řádu).

Modální logice je v současné době věnována značná pozornost. Nabízí prostředky pro formalizaci uvažování v multiagentních systémech. Možnosti temporální logiky, která nabízí specifikaci a verifikaci počítačových systémů a slouží k dokazování vlastností počítačových systémů, ukázal už koncem sedmdesátých let Amir Pnuelli.

Znalosti strojového učení lze využít k získání znalostí z PC.

Důležitou vlastností živých organismů je schopnost přizpůsobovat se měnícím se podmínkám (adaptovat se), eventuálně se učit na základě vlastních zkušeností a dopracovat se ke znalostem. Schopnost učit se bývá někdy dokonce považována za definici inteligence. Je proto přirozené, že vybavit touto vlastností i systémy technické je jedním z cílů umělé inteligence. Adaptabilita na nové podmínky je mnohdy jedinou možností, jak řešit reálné úlohy dobývání znalostí, kde data mají podobu datových proudů (data stress) - viz data z oblasti telekomunikací, počítačových sítí nebo internetu nebo tam, kde jsou data příliš rozsáhlá, nejsou všechna okamžitě k dispozici a jejich charakteristiky se průběžně mění. To je důvod, proč je adaptivitě věnována taková pozornost.

Metoda GUHA slouží k dobývání znalostí z databází. Je původní česká metoda explorační analýzy dat, jejíž princip spočívá v nabízení všech vztahů, které jsou platné v daných datech a relevantní k danému problému. Metoda je realizována pomocí řady programů nazývaných GUHA procedura. Existují i další metody: procedura ASSOC (pracuje s maticemi), procedura 4ft-Miner, systém LISp-Miner nebo SD4ft-Miner a další.

Takzvané (umělé) neuronové sítě představují velmi zjednodušené matematické modely nervových systémů živých organismů. Aby věrněji tyto modely odrážely soudobé neurofyziologické poznatky, se tyto modely stále zdokonalují za účelem pochopit a modelovat biologické a kognitivní funkce lidského mozku. Ale modely neuronových sítí se modifikují také z toho důvodu, aby je mohli inženýři využít pro řešení praktických úloh z umělé inteligence. Neuronové sítě se staly jedním ze samostatných oborů informatiky. Hlavní předností neuronových sítí je jejich schopnost učit se z dat. Neuronové sítě jako netradiční výpočetní prostředky inspirované přírodou byly úspěšně aplikovány v oblastech, kde je aplikace exaktních algoritmů problematická, například při rozpoznávání obrazců, predikci, rozhodování, řízení, analýze a transformaci signálů, detekci chyb, v expertních systémech apod. Moderní komerční programy pro analýzu a zpracování dat obvykle obsahují moduly pro práci s neuronovými sítěmi, které představují účinný nástroj v mnoha praktických činnostech strojového učení.

Obor rozpoznávání obrazů neboli prostě rozpoznávání může být s určitým zjednodušením charakterizován jako řešení problému klasifikace nebo reprezentace dat popisujících zkoumané objekty reálného světa pomocí příznaků. Redukce dimenzionality je prováděna buď formou extrakce, nebo selekce příznaků, která optimalizuje nějaké vhodné kritérium. Výběr příznaků je jedním z klíčových postupů předzpracování dat používaný při řešení nejrůznějších úloh ve statistickém rozpoznávání, strojovém učení, zpracování obrazové informace, klasifikaci dokumentů, dobývání znalostí z rozsáhlých databází apod.

Tato pasáž o umělé inteligenci mně jako technickému negramotovi připadá až příliš složitá. Snažila jsem se pojmout ji laicky, vyhnout se výpočtům, programování a složitým grafům, ale přiblížit ji vám, čtenářům, a rozšířit možnosti použití umělé inteligence v praxi.

Zdroj:

V. Mařík, O. Štěpánková, J. Lažanský a kol.: Umělá inteligence (6)

Zpracovala: Miriam