curs1 inteligenta artificiala

Inteligență  Ar-ficială  

Bogdan  Alexe  bogdan.alexe@fmi.unibuc.ro  

 Secția  Tehnologia  Informației,  anul  III,  2015-­‐2016  

Cursul  1      

Cuprinsul  cursului  de  azi  

1.  Aspecte  organizatorice  legate  de  cursul  de  IA    2.  Prezentarea  cursului  de  IA  

Cuprinsul  cursului  de  azi  

1.  Aspecte  organizatorice  legate  de  cursul  de  IA    2.  Prezentarea  cursului  de  IA  

Aspecte  organizatorice  legate  de  cursul  de  IA  

•  Structura  primului  semestru  •  Orar  •  Materiale  •  Examen  •  Regulament  de  integritate  •  Impresiile  studenților  de  anul  trecut  •  Notele  de  anul  trecut  •  Lucrare  de  licență    

Structura  primului  semestru  •  hPp://unibuc.ro/n/studii/calendar_academic.php  

 •  14  cursuri  de  IA  (11  cursuri  în  2015  +  3  cursuri  în  2016)  •  13/14  laboratoare  de  IA  (10/11    în  2015  +  3  în  2016)  •  cursul  și  laboratoarele  de  pe  16  decembrie  SE  FAC!!!  •  săptămâna  5-­‐9  octombrie  2015  este  pară  

Orar  

Orar  

•  moodle.fmi.unibuc.ro  

Materiale  

•  Scris  –  individual,  minim  nota  5  –  model  de  lucrare  scrisă  –  ul-mul  curs  20.01.2016  

•  Laborator  –  individual,  minim  nota  5  –  lucrare  de  laborator  20-­‐22.1.2016  (ul-ma  săptămână)  –  minim  7  prezențe;  alcel  lucrare  de  laborator  #2  la  examen  

•  Proiect  –  grupe  de  2-­‐3  studenți,  minim  nota  5  –   proiect  1  –  termen  de  predare  22.11.2015  (săpt.  8)  –   proiect  2  –  termen  de  predare  17.01.2016  (penul-ma  săptămână)  

Examen  -­‐  evaluare  și  notare  

Nota =1

3Scris+

1

3Laborator +

1

3Proiect

•  Scris  –  individual,  minim  nota  5  

•  Laborator  –  individual,  minim  nota  5  –  lucrare  de  laborator  la  restanță  

Nota =2

3Scris+

1

3Laborator

Examen  -­‐  restanță  

•  Fără  proiect  

Examen  –  desfășurare  

•  Anul  trecut:    –  toate  materialele  la  dispoziția  studentului  

–  studenții  au  avut  voie  să  vină  la  examen  cu  laptopurile  conectate  la  internet  

•  Anul  acesta:    –  putem  urma  aceeași  paradigmă  

–  puteți  propune  voi  o  altă  modalitate  de  desfășurare  a  examenului  care  să  

îndeplinească  următoarele  condiții:  

•  lucrare  individuală  

•  evaluarea  cunoș-ințelor  prin  rezolvarea  de  probleme  (nu  se  evaluează  

capacitatea  de  memorare  a  cunoș-ințelor)  

•  regulament  privind  ac-vitatea  studenților  la  UB:  hPp://fmi.unibuc.ro/ro/pdf/2015/consiliu/UB_Regulament_studen-_2015.pdf  

•  regulament  de  e-că  și  profesionalism  la  FMI:hPp://fmi.unibuc.ro/ro/pdf/2015/consiliu/Regulament_e-ca_FMI.pdf  

•  3  incidente  minore  =  un  incident  major  =  exmatriculare  

Regulament  de  integritate  

•  NU  COPIAȚI  codul  sursă  (MATLAB)  pentru  realizarea  

proiectelor  de  la  colegi  (incident  minor)  

•  proiectele  le  vom  face  împreună,  vom  rezolva  mai  mult  de  

jumătate  din  ele  la  laborator  

•  NU  COPIAȚI  la  examenul  scris  (trebuie  să-­‐mi  explicați  ce  ați  

scris)  (incident  major)  

Regulament  de  integritate  

Impresiile  studenților  de  anul  trecut  

•  “îmi  pare  rău  că  nu  am  ajuns  la  mai  multe  cursuri,  păreau  

foarte  interesante”  (studentul  prefera  World  Of  Warcram)  

•  “mi-­‐a  plăcut,  erau  foarte  multe  poze  și  video-­‐uri.  Dar  n-­‐am  

înțeles  exact  materia  că  era  prea  puțin  scris  pe  slide-­‐uri”  

•  “la  curs  era  frumos  dar  la  laborator  am  pierdut  firul  de  la  

început  că  nu  mi-­‐a  plăcut  programarea”  

•  “ne-­‐a  plăcut  că  ne-­‐ați  ajutat  la  proiecte”  

•  “trebuia  să  avem  posibilitatea  să  luam  nota  12,  să  ne  mai  

dați  un  proiect”  

Notele  de  anul  trecut  #  STUDE

NȚI  

NOTA  4   5   6   7   8   9   10  

11  

20  

25  

5  

12  

4  

8  

•  dacă  vă  place  materia,  luați  notă  mare  la  examen  (minim  9)  

și  vreți  să  vă  faceți  lucrarea  de  licență  sub  îndrumare  mea  

putem  discuta  

•  subiectul  lucrării  de  licență  poate  fi  propus  de  voi  sau  de  

mine  

•  trebuie  să  fie  pe  specializarea  mea  (vedere  ar-ficială)  

•  număr  limită  :  7  studenți  

Lucrare  de  licență?  

Prezentarea  cursului  de  IA  

1.  Aspecte  organizatorice  legate  de  cursul  de  IA    2.  Prezentarea  cursului  de  IA  

Prezentarea  cursului  de  IA  

•  IA  –  definiție  •  Aplicații  de  succes  în  IA  •  IA  –  istorie  •  Ce  vom  studia  la  acest  curs  de  IA?  •  Structura  cursului  •  Proiecte  posibile  •  Vedere  Ar-ficială  •  Aplicații  în  Vederea  Ar-ficială    

Inteligență  Ar-ficială  –  definiție  

•  Inteligență      •  Inteligență  ar-ficială  

-­‐  abilitatea  de  a  rezolva  probleme    

                                                                             -­‐  construirea  de  computere  /          scrierea  de  programe  somware  inteligente  pentru  rezolvarea  de  probleme      

Inteligență  Ar-ficială  –  definiție  

1.  …  simulează  gândirea  umană  

2.  …  se  comportă  ca  un  om  

3.  …  simulează  gândirea  rațională  

4.  …  se  comportă  rațional  

gândire  

om  

comportament  

rațiune  

Definiția  1:  simulează  gândirea  umană  

•  studiază  creierul  uman  din  perspec-va  felului  în  care  este  procesată  informația  pentru  rezolvarea  de  probleme  

•  ș-ințe  cogni-ve  =  psihologie  +  IA  +  lingvis-că  +  filozofie  +  ș-ințe  neuronale  

•  două  paradigme:  simbolică  vs.  conecționistă  

Paradigma  simbolică  

•  sistemul  cogni-v  reprezintă  cunoș-ințele  și  stările  de  lucruri  corespunzătoare  prin  simboluri  

•  gândire  =  manipulare  de  simboluri  

•  când  scriem  un  program  într-­‐un  limbaj  de  nivel  înalt  (C,  C++)  nu  ne  punem  problema  să  descriem  reprezentarea  exact  la  nivel  de  bit  a  datelor,  ci  folosim  -puri  de  date  prefabricate  (simboluri)  

Paradigma  conecționistă  

•  sistemul  cogni-v  reprezintă  cunoș-ințele  și  stările  de  lucruri  corespunzătoare  prin  ac-varea  unor  unități  simple  (neuroni)  pe  baza  unor  paPern-­‐uri  și  valori  de  ac-vare  

•  model  matema-c            pentru  neuron    

 •  rețea  neuronală  

•  Testul  Turing      

 -­‐  un  om  nu  poate  dis-nge  în  -mpul  unei  conversații  scrise  dacă  interlocutorul  este  calculator  sau  om  •  Ce  abilități  ar  trebui  un  calculator  să  aibă  pentru  a  trece  de  

testul  Turing?  1.  procesarea  limbajului  natural  (comunicare)  2.  reprezentarea  cunoș-ințelor  (stocare  informații)  3.  deducție  automată  (a  faptelor  pe  baza  cunoș-ințelor)  4.  învățare  automată  (detectare  de  paPern-­‐uri)  

Definiția  2:  se  comportă  ca  un  om  

A.  Turing,  Compu-ng  machinery  and  intelligence,  Mind  59,  pp.  433-­‐460,  1950  

Interogator  OM    

OM    

SISTEM  IA    

•  Turing  a  prezis  că  până  în  anul  2000,  un  sistem  informa-c  IA  va  putea  să  păcălească  30%  din  interogatori  pentru  5  minute  

•  Premiul  Loebner  –  2008:  12  interogatori  –  5  minute  pentru  a  conversa  simultan  cu  2  en-tăți  diferite  (om  sau  sistem  AI)  Câșțigătorul,  Elbot  ,  a  reușit  să  păcăleacă  3  din  12  interogatori.  

Testul  Turing  

hPps://en.wikipedia.org/wiki/Loebner_Prize  

•  Include  semnal  video  –  interogatorul  uman  poate  testa  capacitățile  perceptuale  ale  interlocutorului  

•  Abilități  necesare:  1.  procesarea  limbajului  natural  (comunicare)  2.  reprezentarea  cunoș-ințelor  (stocare  informații)  3.  deducție  automată  (a  faptelor  pe  baza  cunoș-ințelor)  4.  învățare  automată  (detectare  de  paPern-­‐uri)  5.  vedere  ar-ficială  (perceperea  obiectelor,  a  scenei)  6.  robo-că  (manipularea  obiectelor,  mișcare)    

Testul  “total”  al  lui  Turing  

Subdomenii  ale  Inteligenței  Ar-ficiale  

Definiția  3:  simulează  gândirea  rațională  

•  gândirea  ca  proces  care  urmează  anumite  legi  -­‐>  Logica  •  pornind  de  la  premise  corecte  și  urmând  aceste  legi  se  

ajunge  la  concluzii  corecte  =  raționamente  -­‐  “Socrate  este  un  om;  toții  oameni  sunt  muritori;  prin  urmare  Socrate  este  muritor.”  

•  descrie  problema  în  notație  formală  de  logică  și  apoi  aplică  regulile  de  deducție  pentru  rezolvare  

•  dezavantaje:  -­‐  complexitate  computațională  crescută  -­‐  descrierea  incer-tudinii  

Definiția  4:  se  comportă  rațional  

•  agent  rațional  care  acționează  pentru  a-ngerea  op-mă  a  scopurilor  luând  decizii  (inferențe)  -­‐  scopuri  exprimate  în  termeni  de  u-litate  -­‐  a  fi  rațional  =  a  maximiza  u-litatea  -­‐  în  situații  de  incer-tudine,  alege  decizia  cu  cea  mai  mare  u-litate  es-mată  (expected  u-lity)  

 •  comportamentul  omului  nu  rezultă  întotdeauna  din  

rațiune  +  inferențe:  -­‐  gesturi  reflexe  (când  punem  mâna  pe  ceva  încins  avem  reflexul  de  a  ne  retrage  imediat  mâna)  

Aplicații  de  succes  în  Inteligență  Ar-ficială  

Şah:  Deep  Blue  vs  Kasparov  

•  1996:  Kasparov  câşHgă  

 •  1997:  Deep  Blue  câşHgă  

•  Deep  Blue  (proiectat  de  IBM)  îl  învinge  în  1997  pe  Kasparov  după  ce  în  prealabil  pierduse  în  1996  

“I  could  feel  –  I  could  smell  –  a  new  kind  of  intelligence  across  the  table.”  

“Deep  Blue  hasn't  proven  anything.”  

Recunoaştere  vocală  •  Dragon  dicta-on  (Nuance)  ,  Siri  (Apple)  ,  Voice  search  (Google)  

Dragon  dictaHon   Siri   Voice  Search  

Recunoaştere  vocală  •  Google  translate  

Traducere  automată  

Traducere  automată  

Traducere  automată  

hPp://googleblog.blogspot.com/2015/01/hallo-­‐hola-­‐ola-­‐more-­‐powerful-­‐translate.html  

Maşini  fără  şofer  

•  Nissan:  în  2020  maşini  fără  şofer  disponibile  la  un  preț  rezonabil  •  Google:  2017  

Recunoaşterea  op-că  a  caracterelor  (OCR)  

Recunoaşterea cifrelor http://yann.lecun.com/exdb/lenet/index.html

•  Tehnologie care converteşte documente scanate în text.

Recunoaşterea plăcuțelor de înmatriculare http://en.wikipedia.org/wiki/Automatic_number_plate_recognition

Roboți  inteligenți  pentru  curățenie  

Roboți  pentru  împăturirea  de  prosoape  

http://www.youtube.com/watch?v=gy5g33S0Gzo&NR=1

Inteligența  ar-ficială  -­‐  istorie  1940          Primul  model  al  unui  neuron  (W.  S.  McCulloch  și  W.  PiPs)                  Învățare  Hebbiană    1950    Testul  Turing  

     Perceptron  (F.  RosenblaP),  rețele  neuronale                Program  care  joacă  șah  și  dame  (C.  Shannon,  A.  Samuel)        Traducere  automată  (Georgetown  -­‐  IBM)        Programe  care  demonstrează  teoreme  (Newell  și  Simon)  

 1960    Eșecul  traducerii  automate  

     Eșecul  rețelelor  neuronale  (M.  Minsky  și  S.  Papert,  1969)    1970    Cercetarea  în  IA  cunoaște  primul  recul  

hPps://en.wikipedia.org/wiki/History_of_ar-ficial_intelligence    

Inteligența  ar-ficială  -­‐  istorie  1980          Sisteme  expert  în  plină  ascensiune  (pe  semestrul  doi)                  Revigorarea  cercetării  în  rețelele  neuronale,  algoritmul  de  back-­‐  

                   propagare                    Inferențe  probabiliste  

 1990    Sisteme  expert  în  declin  

     Cercetarea  în  IA  cunoaște  al  doilea  recul    1995    Învățare  automată  

     “Big  data”    2012    Învățare  de  -p  deep  (deep  learning)  pentru  rețele  neuronale  

hPps://en.wikipedia.org/wiki/History_of_ar-ficial_intelligence    

Ce  vom  studia  la  acest  curs  de  IA?  Subdomenii  ale  Inteligenței  Ar-ficiale:  

1.  procesarea  limbajului  natural  (comunicare)  2.  reprezentarea  cunoș-ințelor  (stocare  informații)  3.  deducție  automată  (a  faptelor  pe  baza  cunoș-ințelor)  4.  învățare  automată  (detectare  de  paPern-­‐uri)  5.  vedere  ar-ficială  (perceperea  obiectelor,  a  scenei)  6.  robo-că  (manipularea  obiectelor,  mișcare)      

Vom  studia:  •  vedere  ar-ficială  (7  octombrie  –  16  Decembrie)  •  reprezentarea  cunoș-ințelor  +  deducție  automată  (7  ianuarie  –  21  ianuarie)  –  punct  de  plecare  pentru  cursul  de  Sisteme  Expert  (semestrul  2)  

Structura  cursului  

Structura  cursului  

1.  Filtre  &  caracteris-ci  ale  imaginilor  

– filtre    – gradienți  – muchii    –  textură  

2.    Segmentare  via  clustering  

– grupare    – clustering    – segmentare  

Structura  cursului  

3.  Recunoaşterea  claselor  de  obiecte    

–  reprezentare    –  învățare    – detectare  facială  

Structura  cursului  

4.    Reprezentare  cunoș-ințe  &  deducție  automată    

– noțiuni  de  ProLog  

– căutare  informată  

– căutare  neinformată  

Structura  cursului  

Proiecte  posibile  (vom  implementa  2  din  cele  4  propuse  )  

P1.  Redimensionarea  imaginilor    cu  păstrarea  conținutului  

[Shai  &  Avidan,  SIGGRAPH  2007]   Slide adaptat după K. Grauman

Redimensionare  cu  păstrarea  conținutului  

Redimensionare  uzuală  

[Shai  &  Avidan,  SIGGRAPH  2007]  

P1.  Redimensionarea  imaginilor    cu  păstrarea  conținutului  

Slide adaptat după K. Grauman

Redimensionare  cu    păstrarea  conținutului  

Redimensionare    uzuală  (imresize)  

Slide adaptat după K. Grauman

P1.  Redimensionarea  imaginilor    cu  păstrarea  conținutului  

Care  imagine  conține  o  mașină  (vedere  din  spate)?    

DA   DA  

DA   DA  

NU   NU  

NU   NU  

P2.  Clasificarea  imaginilor  

P2. Date de antrenare și testare  

•  Antrenare  –  50  de  imagini  pozi-ve  (conțin  mașini  –  vedere  din  spate)  –  50  de  imagini  nega-ve  (NU  conțin  mașini)  

   •  Testare  

–  50  de  imagini  pozi-ve  (conțin  mașini  –  vedere  din  spate)  –  50  de  imagini  nega-ve  (NU  conțin  mașini)  

P3. Realizarea de panorame  

P4. Detectare facială  

Vedere  Ar-ficială  (Computer  Vision)  

Ce  este  vederea  ar-ficială?    

Gata?  

Ce  este  vederea  ar-ficială?  

•  Înzestrarea  computerelor  cu  un  sistem  vizual  asemănător  cu  sistemul  vizual  uman  

•  Scrierea  de  programe  pentru  calculator  care  pot  interpreta  imagini/video-­‐uri  

Scopul  vederii  ar-ficiale  

•  Extragerea  informației  din  pixeli  

Slide  adaptat  după  S.  Lazebnik  

Scopul  vederii  ar-ficiale  

•  Extragerea  informației  din  pixeli  

Vederea  umană   Vederea  calculatoarelor  

Slide  adaptat  după  S.  Lazebnik  

Ce  informații  extragem?  

Informații  geometrice  (3D)  Informații  seman-ce  

clădire  

persoană  maşină   maşină  

şosea  

copac  cer  

fereastră  

coş  

Scenă  outdoor  Oraş  

copac  clădire  fereastră  

Slide  adaptat  după  S.  Lazebnik  

L.  G.  Roberts,  Machine  Percep,on  of  Three  Dimensional  Solids,    Teza  de  doctorat,  MIT,  1963.    

Date  vizuale  în  1963  

Date  vizuale  în  2015  

Albume  foto  

Supraveghere  video  şi  securitate  

Filme,  şHri,  sporturi  

Imagini  medicale  si  şHinHfice  Slide  adaptat  după  S.  Lazebnik  

Date  vizuale  în  2015  

Exemplu  de  vedere  ar-ficială  

Terminator 2

Exemplu  de  vedere  ar-ficială  

O  imagine  face  cât  1000  de  cuvinte  

•  Scopul  vederii  ar-ficale  este  de  a  scrie  programe  de  calculator  care  interpretează  imaginile  

Pot  computerele  vedea  mai  bine  ca  oamenii?  

•  Da  şi  nu(  de  cele  mai  multe  ori  nu!)  – oamenii  excelează  la  lucruri  “grele”  – computerele  pot  fi  mai  bune  la  lucruri  mai  “uşoare”  

Deficiențe  ale  percepției  umane  

Sinha and Poggio, Nature, 1996

Sinha and Poggio, Nature, 1996

Sinha and Poggio, Nature, 1996

…  the  processing  performed  by  the  visual  system  is  bePer  characterized  as  “head  recogni-on”  rather  than  “face  recogni-on”  

Copyright A.Kitaoka 2003

Edward Adelson

http://web.mit.edu/persci/people/adelson/illusions_demos.html

Edward Adelson

•  A şi B au aceeaşi culoare

Numiți culoarea fiecărui cuvânt

Interacțiuni la nivel înalt afectează percepția şi procesarea.

 Verde  Cyan  Albastru  Magenta  Negru  Roz  Maro  Galben  Portocaliu  Roşu  Albastru  Verde  Galben  

Aplicații  în  Vederea  Ar-ficială  

Recunoaşterea  op-că  a  caracterelor  (OCR)  

Recunoaşterea cifrelor http://yann.lecun.com/exdb/lenet/index.html

•  Tehnologie care converteşte documente scanate în text.

Recunoaşterea plăcuțelor de înmatriculare http://en.wikipedia.org/wiki/Automatic_number_plate_recognition

Detectarea  facială  

•  Multe  din  camerele  digitale  existente  au  incorporat  detector  facial  –  Canon,  Sony,  Fuji,  …    

Smile  detec-on?  

Sony  Cyber-­‐shot®  T70  Digital  S-ll  Camera    

Detectarea  facială  pentru  protejarea  iden-tății  

Detectarea  facială:  Apple  Iphoto  

hPp://www.apple.com/ilife/iphoto/  

Biometrie  –  recunoaşterea  irisului  

“Afghan Girl” - fotografie din 1984; refugiată în Pakistan

“How the Afghan Girl was Identified by Her Iris Patterns” Afghan_Girl

Biometrie  –  recunoaşterea  irisului  

1984   2002  

Login  fără  parolă  …  

Recunoaşterea amprentei implementată

pe multe device-uri: laptop-uri, telefoane

Sisteme de securitate bazate pe recunoaşterea facială sunt din ce in

ce mai folosite. http://www.sensiblevision.com/

Recunoaşterea  de  obiecte  pe  telefoane  mobile  

•  Aplicații:  –                                             Microsom  Research  –  Point  &  Find,  Nokia  –  Kooaba  -­‐>  Qualcomm  

Nokia  Point  &  Find  Demo  

Tenis:  sistemul  Hawk-­‐eye  

Tenis:  sistemul  Hawk-­‐eye  

Fotbal:  sistemul  Goal  Line  

Fotbal:  sistemul  Goal  Line  Cupa  Mondială  2010:  Germania  -­‐  Anglia  

Fotbal:  sistemul  Goal  Line  Cupa  Mondială  2014:  Franța  -­‐  Honduras