UNIVERZITET

Union - Nikola Tesla

FAKULTET ZA POSLOVNE STUDIJE I PRAVO
BEOGRAD

SEMINARSKI RAD

Predmet:Osnovi informacionih sistema

Tema: PIS i vetaka inteligencija

Mentor:
Prof. Dr. Radoje Cveji

Student:
Armin Kurtovi
Br.indexa:I0646/13
Sarajevo, 2015.godina

________________________________________________________________________
1

SADRAJ

1. UVOD.........................................................................................................3
2. VJESTACKA INTELIGENCIJA.............................................................4
3. NEURONSKE MREZE........................................................................18
4. EKSPERTNI SISTEMI.........................................................................22
5. ZAKLJUCAK...........................................................................................25
6. LITERATURA........................................................................................26

________________________________________________________________________
2

1. UVOD
Pojam vetaka inteligencija VI (Artifical Intelligence -AI) potie od Johna
McCarty-ja i oznaava pojavu inteligencije koja je ostvarena na vetaki nain, tj. putem
programiranja raunara. Meutim mnogi autori i strunjaci iz ove oblasti se ne slau s tim
da termin vetaka inteligencija upotpunosti i najbolje opisuje ovu oblast nauke, jer
mnoge oblasti informatike u osnovi imaju inteligentno ponaanje, ali ne spadaju u oblast
vetake inteligencije, tj. ne pripadaju toj oblasti u uem smislu.

Slika 1. Hondin inteligentni humanoidni robot

________________________________________________________________________
3

2.VETAKA INTELIGENCIJA
Vetaka inteligencija je grana raunarskih nauka koja se bavi prouavanjem i
oblikovanjem raunarskih sistema koji pokazuju neki oblik inteligencije. To su sistemi
koji mogu uiti nove koncepte, sistemi koji mogu zakljuivati i donositi zakljuke o svetu
koji ih okruuje, sistemi koji mogu razumeti prirodni jezik ili spoznati i tumaiti sloene
vizuelne scene, sistemi koji mogu obavljati i druge vrste vetina koje zahtevaju ovekovu
vrstu inteligencije (D.W. Patterson,1990). Pored ove definicije postoje i druge, a to su :

Vetaka inteligencija je nauna oblast u kojoj se izuavaju izraunavanja da bi se

izraunavanjem omoguila percepcija, rezonovanje i injenje.
Vetaka inteligencija je nauna oblast u kojoj se izuavaju metode koje bi
izraunavanjem omoguile percepciju, rezonovanje i injenje.
Vetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave
raunari, koji bi uspeno radili stvari koje u datom momentu rade bolje u odnosu
na ljude.

Prema Meyer-u dielovi vetake inteligencije su : uenje, modeliranje simbolima,

heuristika, reavanje problema, integracija, tehnike i jezici vetake inteligencije.

________________________________________________________________________
4

2.1 Pojam vetake inteligencije

Jednostavno reeno, vetaka inteligencija se moe objasniti kao pokuaj da se
naprave maine koje ispunjavaju takve zadatke da bi ljudi, u sluaju da oni ispunjavaju te
iste zadatke, morali upotrebiti inteligenciju. Pri tome se pod inteligencijom podrazumeva
sposobnost snalaenja u novim uslovima, na nain kako to tumae svi psiholozi. Ipak, da
bi se izbegle nedoumice u poimanju sutine vetake inteligencije, poeljno je uoiti ta
se sve smatra inteligentnim ponaanjem:

Razumevanje i uenje na osnovu iskustva,

Razumevanje dvosmislenih ili kontradiktornih poruka,
Brzo i fleksibilno prilagoavanje novim situacijama,
Upotreba razuma u reavanju problema i efikasno upravljanje
Preovladavanje zbunjujuih situacija,
Razumevanje i izvoenje zakljuaka na obian, razuman nain
Primena znanja pri iskoritavanju okoline
Sticanje i primanja znanja,
Razmiljanje i rezonovanje i
Prepoznavanje relativne vanosti razliitih elemenata u nekoj situaciji.

U razumevanju pojma vetake inteligencije, neophodno je prihvatiti dve bitne injenice:

Vetaka inteligencija se bavi procesom miljenja i

Vetaka inteligencija predpostavlja da se taj proces odvija putem raunara.

________________________________________________________________________
5

2.2 Uenje
Postoji vie razliitih oblika uenja koji su primijenjeni na oblast vjetake
inteligencije. Najjednostavniji se odnosi na uenje na grekama preko pokuaja. Na
primjer, najjednostavniji raunaraski program za rijeavanje problema matiranja u
jednom potezu u ahu, je istraivanje mat pozicije sluajnim potezima. Jednom
iznaeno rjeenje, program moe zapamtiti poziciju i iskoristiti je sljedei put kada
se nae u identinoj situaciji. Jednostavno pamenje individualnih poteza i
procedura - poznato kao mehaniko uenje - je vrlo lako implementirati u
raunarski sistem.

Prilikom pokuaja implementacije tzv., uoptavanja, javljaju se vei problemi i

zahtjevi. Uoptavanje se sastoji od primjene prolih iskustava na analogne nove
situacije. Na primjer, program koji ui prola vremena glagola na srpskom jeziku
mehanikim uenjem, nee biti sposoban da izvede prolo vrijeme, recimo glagola
skoiti, dok se ne nae pred oblikom glagola skoio, gdje e program koji je
sposoban za uoptavanje nauiti dodaj -o i ukloni -ti pravilo, te tako formirati
prolo vrijeme glagola skoiti, zasnivajui se na iskustvu sa slinim glagolima.

________________________________________________________________________
6

2.3 Razmiljanje

Razmiljanje je proces izvlaenja zakljuaka koji odgovaraju datoj situaciji.

Zakljuci se klasifikuju kao deduktivni i induktivni. Primjer deduktivnog naina
zakljuivanja bi mogao biti, Savo je ili u muzeju, ili u kafiu. Nije u kafiu; onda je
sigurno u muzeju; i induktivnog, Prethodne nesree ove vrste su bile posljedica greke
u sistemu; stoga je i ova nesrea uzrokovana grekom u sistemu. Najznaajnija razlika
izmeu ova dva naina zakljuivanja je da, u sluaju deduktivnog razmiljanja, istinitost
premise garantuje istinitost zakljuka, dok u sluaju induktivnog razmiljanja istinitost
premise daje podrku zakljuku bez davanja apsolutne sigurnosti njegovoj istinitosti.
Induktivno zakljuivanje je uobiajeno u naukama u kojima se sakupljaju podaci i
razvijaju provizioni modeli za opis i predvianje budueg ponaanja, sve dok se ne
pojave anomalije u modelu, koji se tada rekonstruie.

Deduktivno razmiljanje je uobiajeno u matematici i logici, gdje detaljno obraene

strukture nepobitnih teorema nastaju od manjih skupova osnovnih aksioma i pravila.
Postoje znaajni uspjesi u programiranju raunara za izvlaenje zakljuaka, naroito
deduktivne prirode. Ipak, istinsko razmiljanje se sastoji od sloenijih aspekata; ukljuuje
zakljuivanje na nain kojim e se rijeiti odreeni zadatak, ili situacija. Tu se nalazi
jedan od najveih problema s kojim se susree VI.

________________________________________________________________________
7

2.4 Rjeavanje problema

Rjeavanje problema, naroito u vjetakoj inteligenciji, karakterie sistematska
pretraga u rangu moguih akcija s ciljem iznalaenja nekog ranije definisanog rjeenja.

Metode rjeavanja problema se dijele na one posebne i one opte namjene. Metoda
posebne namjene je traenje adaptiranog rjeenja za odreeni problem i sadri vrlo
specifine osobine situacija od kojih se problem sastoji. Suprotno tome, metod opte
namjene se moe primijeniti na iri spektar problema.

Tehnika opte namene koja se koristi u VI je metod krajnje analize, dio po dio, ili
postepeno dodavanje, odnosno redukovanje razliitosti izmeu trenutnog stanja i krajnjeg
cilja. Program bira akcije iz liste metoda - u sluaju jednostavnog robota koraci su
sljedei: PICKUP, PUTDOWN, MOVEFROWARD, MOVEBACK, MOVELEFT i
MOVERIGHT, sve dok se cilj ne postigne.
Vei broj razliitih problema su rijeeni preko programa vjetake inteligencije. Neki od
primjera su traenje pobjednikog poteza, ili sekvence poteza u igrama, sloeni
matematiki dokazi i manipulacija virtulenih objekata u vjetakim, odnosno sintetikim
raunarskim svjetovima.
________________________________________________________________________
8

2.5 Istorijski razvoj vetake inteligencije

Od davnina je ljude privlaila inteligencija kako sam pojam inteligencije tako i
mogunost konstruisanaja inteligentnih maina koje bi mogle samostalno da rade.
Takve primere moemo pratiti kroz istoriju. U staroj Grkoj ljudi su se bavili pitanjima
inteligencije, znanja i pravilnog zakljuivanja, a meu njima se naroito istakao Aristotel.
Pojam vetaka inteligencija (VI) Artifical Inteligence, nastaje 1956. godine u
Dartmudu, Hanover (SAD), na skupu istraivaa zainteresovanih za teme inteligencije,
neuronskih mrea i teorije automata. Skup je organizovao Don Mekarti, ujedno sa
Klodom enonom, Marvinom Minskim i N. Roesterom. Na skupu su uestvovali T.
Mur (Prinston), A. Semjuel (IBM), R. Solomonof i O. Selfrid (MIT), kao i A. Nevil, H.
Sajmon (Carnegie Tech, danas Carnegie Mellon University). Na skupu su postavljene
osnove oblasti vetake inteligencije i trasiran put za njen dalji razvoj.
Danas se smatra da su koncept vetake inteligencije postavili V. Mekulok i M.
Pits, 1943. godine, u radu u kom se predstavlja model vetakih neurona na bazi tri
izvora: spoznaja o fiziologiji i funkcionisanju modanih neurona, iskazna logika Rasela i
Vajteheda, i Tjuringova komputaciona teorija. Nekoliko godina kasnije stvoren je prvi
neuralni raunar SNARC. Zasluni za poduhvat su studenti Prinstona, Marvin Minski i
D. Edmons, 1951. godine. Negde iz iste epohe su i prvi programi za ah, iji su autori
enon i Tjuring.
Na osnovu istraivanja, poev od osamdesetih godina, konstruiu se prvi
komercijalni sistemi vetake inteligencije, uglavnom tzv., ekspertski sistemi.

Razvoj inteligentnih masina

________________________________________________________________________
9

2.6 Faze razvoja, nauke i primene vetake inteligencije

Vetaka inteligencija je u svom razvoju prola kroz odreena razdoblja i to:

faza inkubacije (1943-1956)

faza ranog entuzijazma i velikih oekivanja (1952-1969)

faza sistema zasnovanih na znanju (1969-19799

faza kada vetaka inteligencija postaje industrija (1980-do danas)

faza povratka neuronskih mrea (1986-do danas)

Iako je vetaka inteligencija veoma mlada nauka, nasledila je puno zamisli,

pristupe i tehnike iz drugih naunih disciplina kao to su :

filozofija
matematika,

teorije algoritma

logike,

verovatnoe,

psihologije.
Podruja primene vetaka inteligencija su:

ekspertni sistemi,
formalizmi i metode prikaza znanja,

uenje,

razumevanje i obrada prirodnih jezika,

reavanje problemai metode pretraivanja,

robotika,

________________________________________________________________________
10

automatsko programiranje,

raunarski vid, raspoznavanje uzoraka i analiza scene,

vetake neuronske mreei genetski algoritmi.

________________________________________________________________________
11

2.7 Cilj istraivanja vetake inteligencije

Vetaka inteligencija je podoblast raunarstva. Cilj istraivanja vetake
inteligencije je razvijanje programa (softvera), koji e raunarima omoguiti da se
ponaaju na nain koji bi se mogao okarakterisati intelignentim. Prva istraivanja se veu
za same korene raunarstva. Ideja o stvaranju maina koje e biti sposobne da obavljaju
razliite zadatke inteligentno, bila je centralna preokupacija naunika raunarstva koji su
se opredijelili za istraivanje vetake inteligencije, tokom cele druge polovine 20. Veka.
Savremena istraivanja u vetakoj inteligenciji su orijentisana na ekspertske i
prevodilake sisteme u ogranienim domenima, prepoznavanje prirodnog govora i
pisanog teksta, automatske dokazivae teorema, kao i konstantno interesovanje za
stvaranje generalno inteligentnih autonomnih agenata.
Prvi cilj je studija ljudskih kognitivnih procesa uopte, to potvruje definiciju
Patrika J. Hejesa studija inteligencije kao komputacije, ime se vetaka inteligencija
usmerava ka jednoj svojevrsnoj studiji inteligentnog ponaanja kod ljudi.
2.8 Inteligentni sistemi znaaj i svojstva
Funkcije inteligentnog sistema su:
1)
2)
3)
4)
5)
6)
7)

Prikupljanje i obrada informacija

Interakcija s spoljanjim svetom (radnom okolinom)
Komunikacija s ovekom i / ili s drugim inteligentnim sistemima,
Prikupljanje znanja,
Rukovanje znanjem
Obrada znanja i zakljuivanje,
Planiranje

________________________________________________________________________
12

Inteligentni sistem je svaki sistem koji pokazuje sledea svojstva:

1) Sistem pokazuje prilagodljivo, ciljno, i usmjereno ponaanje. eljeni cilj ili
ciljeve predoava podciljevima, a pri tome koristi znanje o operacijama i
postupcima koji prevode eljeni cilj u niz akcija. Ako neki od podciljeva nije
ostvariv sistem trai alternativni put prema konanom cilju sistema.
2) Sistem ui na osnovu iskustva. Sistem ima algoritme za automatsku modifikaciju
strukture i funkcija na osnovu iskustva kaja stie u radu. Uenje podrazumeva da
sistem moe prikupljati, prikazivati i upotrebljavati znanje.
3) Sistem koristi velike koliine znanja. Koliina znanja smetena u sistemu mora
biti slina koliini znanja koju poseduje ovek da bi reio takav problem.
4) Sistem pokazuje svojstva svesnosti. Sistem ima sposobnost objanjavanja svog
ponaanja, nadgledanja i dijagnoze stanja, ispravke u sluaju greke.
5) Sistem komunicira ovekom prirodnim jezikom i govorom. Sistem mora
komunicirati sa ovekom i drugim inteligentnim sistemima na prijateljski
nain- zato upotrebljava prirodni jezik i govor. Takva komunikacija
podrazumeva upravljanje i dvosmislenostima i gramatiki neispravnim
reenicama.
6) Sistem tolerie greke i nejasnoe u komunikaciji.
7) Sistem odgovara u stvarnom vremenu.
8) Budui razvoj Vetaka inteligencija omoguava razvoj u smislu : modeliranja
sloenih fizikih sistema, korienja raznovrsnih znanja, vremenskog rasuivanja,
integracije razliitih teorija upravljanja.

________________________________________________________________________
13

2.9 Baza znanja u inteligentnim sistemima

Baza znanja Apstraktni prikaz radne okoline ili sveta u kojem sistem treba
reavati odreene zadatke. Baza znanja sadri znanje iz problemske domene i znanje o
nainu kako se problem reava.
Baza znanja sadri:

Objekte i relacije meu njima,

injenice i nesigurne injenice,
Pravila sveta,
Opise motivacije, cilja i stanja sistema,
Metode reavanja problema i heuristiku,
Opis ponaanja,
Hipoteze,
Opise tipinih situacija,
Procese,
Ogranienja.

Jedan od sredinjih problema na podruju vetake inteligencije jeste razvoj

dovoljno precizne i delotvorne notacije za prikaz znanja u inteligentnom sistemu. Mnoge
oblasti informatike u osnovi imaju inteligentno ponaanje, ali ne pripadaju vetakoj
inteligenciji u uem smislu.
Dva glavna pravca razvoja vetake inteligencije su :

Prouavanja prirodne inteligencije (spoznavanje funkcija mozga, modeliranje

rada mozga, simuliranje ovjekovog ponaanja, reagovanje i rezonovanje).
Postizanje inteligentnog ponaanja primenom drugaijih pristupa, kakvi se ne
mogu sresti u prirodnim sistemima.

Vetaku inteligenciju prema pristupu

klasifikovati na tri glavna pristupa i to su :

reavanja

problemima

moemo

Neuronske mree
Modeliranje evolucije i
Heuristiko programiranje

Tehnike koje pripadaju vetakoj inteligenciji morale bi da koriste znanja koja su

organizovana tako da omoguavaju :
Generalizaciju
Predstavljanje i preslikavanje u formi razumljivoj ljudima
Lako modifikovanje
________________________________________________________________________
14

Da se koriste informacije koje nisu kompletne,

Da pomau u smanjenju broja mogunosti koje bi inae morale biti razmatrane
(heuristike).

Prepoznavanje oblika je kljuno za snalaenje u svakodnevnim situacijama, kako

za ive tako i za vetake sisteme. Pri reavanju problema vezanih za prepoznavanje
oblika nastaju velike tekoe jer analogne signale koje primaju senzori/receptori sadre
veliki broj informacija, od kojih dobar deo sadri um, pa ti signali nisu dovoljno jasni.
Ovo oteava primenu raunara za snalaenje u svakodnevnim situacijama, pa nije ni udo
to su i ivotinje, za koje se smatra da su manje inteligentne od ljudi, sposobne za daleko
kvalitetniju vizuelnu i zvunu percepciju i obradu takvih signala nego dananji raunari.

________________________________________________________________________
15

2.10 Tjuringov test

U poznatom takozvanom Tjuringovom testu, koji je Alan Tjuring opisao i objavio u
jednom lanku iz 1950. godine, pod naslovom Computing machinery and
intelligence (Raunske maine i inteligencija), predlae se jedan eksperiment iji je cilj
otkrivanje inteligentog ponaanja jedne maine.

Test polazi od jedne igre u kojoj ispitiva treba da pogodi pol dva interlokutora, A i
B, a koji se nalaze u posebnim i odvojenim sobama. Iako oboje tvrde da su enskog pola,
u stvari radi se o mukarcu i eni. U izvornom Tjuringovom prijedlogu uraena je
izvjesna modifikacija, te je enu zamijenio raunar. Ispitiva treba da pogodi ko je od njih
maina, polazei od njihovog meusobnog razgovora i imajui u vidu da oboje tvrde da
su ljudi.

Zadatak treba postii uprkos injenici da nijedan od interlokutora nije obavezan da

govori istinu, te na primjer, maina moe odluiti da da pogrean rezultat jedne
aritmetike operacije, ili ak da ga saopti mnogo kasnije kako bi varka bila uvjerljivija.

Po optimistikoj hipotezi samog Tjuringa, oko 2000. godine, ve je trebalo da

postoje raunari osposobljeni za igru ove igre dovoljno dobro, tako da prosjean ispitiva
nema vie od 70% anse da uradi ispravnu identifikaciju, nakon pet minuta postavljanja
pitanja.
Kada bi to danas zaista bilo tako, nalazili bi se pred jednom istinski inteligentnom
mainom, ili u najmanju ruku mainom koja umije da se predstavi kao inteligentna.
Ne treba ni pomenuti da su Tjuringova predvianja bila previe optimistina, to
je bio vrlo est sluaj u samim poecima razvoja oblasti vjetake inteligencije.
U stvarnosti problem nije samo vezan za sposobnost raunara za obradu podataka,
nego na prvom mjestu, za mogunost programiranja raunara sa sposobnostima za
inteligentno ponaanje.

________________________________________________________________________
16

2.11 Vetaka inteligencija u obrazovanju

San o raunarima koji bi mogli da obrazuju uenike i studente, vie decenija je

inspirisao naunike kognitivne nauke. Prva generacija takvih sistema (nazvani Computer
Aided Instruction ili Computer Based Instruction), uglavnom su se zasnivali
na hipertekstu. Struktura tih sistema se sastojala od prezentacije materijala i pitanja sa
vie izbora, koja alju uenika na dalje informacije, u zavisnosti od odgovora na
postavljena pitanja.

Naredna generacija ovih sistema Intelligent CAI ili Intelligent Tutoring Systems,
zasnivali su se na implementaciji znanja o odreenoj temi, u sam raunar. Postajala su
dva tipa ovakvih sistema. Prvi je trenirao uenika u samom procesu rjeavanja sloenih
problema, kao to je npr., prepoznavanje greaka dizajna u jednom elektrinom kolu ili
pisanje raunarskog programa. Drugi tip sistema je pokuavao da odrava silogistiki
dijalog sa studentima. Implementaciju drugog tipa sistema je bilo vrlo teko sprovesti u
praksu, velikim dijelom zbog problema programiranja sistema za razumijevanje
spontanog i prirodnog ljudskog jezika. Iz tog razloga, projektovano ih je samo nekoliko.

Tipini sistem za treniranje uenika i studenata se obino sastoji od etiri osnovne

komponente.
1. Prva kompoeneta je okruenje u kojem uenik ili student radi na rjeavanju
sloenih zadataka. To moe biti simulacija komponente ili komponenata
elektronskih ureaja predstavljena kao serija problema koje student treba da
rijei.
2. Druga komponenta je ekspertski sistem koji moe rijetiti predstavljene probleme
na kojima student radi.
3. Treu ini jedan poseban modul koji moe uporediti rjeenja koja nudi student sa
onima koje su ugraene u ekspertski sistem i njegov cilj je da prepozna studentov
plan za rjeenje problema, kao i koje dijelove znanja najvjerovatnije student
koristi.

4. etvrtu ini pedagoki modul koji sugerie zadatke koje treba rijeiti, odgovara na
pitanja studenta i ukazuje mu na mogue greke. Odgovori na pitanja studenta i
________________________________________________________________________
17

sugestije za planiranje rjeavanja zadataka, zasnivaju se na prikupljenim

podacima iz prethodnog modula.

Svaka od ovih komponenata moe koristiti tehnologiju vjetake inteligencije.

Okruenje moe sadrati sofisticiranu simulaciju ili inteligentnog agenta, odnosno
simuliranog studenta ili ak oponenta studentu. Modul koji ini ekspertski sistem se
sastoji od klasinih problema vjetake inteligencije, kao to su prepoznavanje plana i
rezonovanje nad problemima koji ukljuuju neizvjesnost. Zadatak pedagokog modula je
nadgledanje plana instrukcije i njegovo adaptiranje na osnovu novih informacija o
kompetentnosti studenta za rjeavanje problema. Uprkos sloenosti sistema za treniranje
uenika i studenata, projektovani su u velikom broju, a neki od njih se regularno koriste u
kolama, industriji i za vojne instrukcije.

________________________________________________________________________
18

3. NEURONSKE MREZE

Neuronske mree su sistemi modelirani od procesirajuih elemenata tzv. neurona,

po uzoru na mreu ljudskih modanih elija.Neuronske mree su oblast vjetake
inteligencije AI Artificial Intelligence, strukturirane da radi na nain kao to radi
ljudski mozak.
Kljuni element ove vrste vjetake inteligencije je specifina struktura obrade
informacija sastavljena od velikog broja meusobno povezanih elemenata obrade
(neurona) koji zajedniki rade na rjeavanju problema. Te jedinice su povezane
komunikacionim kanalima (vezama). Neuronska mrea u raunarskim naukama
predstavlja veoma povezanu mreu elemenata koji obrauju podatke. Podaci koji se ovim
kanalima razmijenjuju su obino numeriki. Neuroni obrauju samo svoje lokalne
podatke i ulaze koje primaju preko konekcije.
Vana osobina neuronskih mrea je njihova sposobnost da ue na ogranienom
skupu primjera te su zbog toga sposobne da izau na kraj sa problemima koji se
tradicionalnim pristupom teko rjeavaju. sposobne bolje da prepoznaju govor i oblike.
Jedna od vanijih osobina neuronskih mrea je njihova sposobnost da ue na
ogranienom skupu primjera.

3.1 Istorijat i razvoj neuronskih mreza

Poetak neuro-raunarstva obino se vezuje za 1943. godinu i lanak Warrena
McCullocha i Waltera Pittsa Logiki raun ideja svojstvenih nervnoj aktivnosti. Ovaj
lanak je esto citiran. Kibernetiar Norbert Winer i matematiar John von Neumann su
smatrali da bi istraivanja na polju raunarstva, inspirisana radom ljudskog mozga, mogla
biti
izuzetno
zanimljiva.
Knjiga Donalda Hebb-a iz 1949. godine The Organization of behavior
(Organizacija ponaanja) iskazuje ideju da je klasino psiholoko uslovljeno ponaanje
prisutno kod svih ivotinja, jer je ono svojstvo neurona. Ova ideja nije bila nova, ali ju je
Hebb vie razradio od prethodnika, predlaui odreeni zakon uenja za sinapse, a
pomou njega je izveo kvalitativno objanjenje nekih eksperimentalnih rezultata iz
psihologije.
Poetkom pedesetih godina, najvie uticaja na dalji razvoj neuronskih mrea je imao rad
Marvin Minsky-a koji je u tom periodu konstruisao neuroraunar pod imenom Snark
(1951). Frank Rosenblatt je zasluan za otkrie jednoslojne neuronske mree, zvane
perceptron. Ovaj raunar je mogao uspeno da podeava teinske koeficijente, meutim
ovaj raunar nije postigao znaajnije praktine rezultate. Tek krajem pedesetih godina
(1957-1958), Frank Rosenblatt i Charles Wightman sa svojim saradnicima su uspeli da
________________________________________________________________________
19

razviju raunar pod nazivom Mark I koji predstavlja prvi neuroraunar. Neto posle
Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff, kasnije
tvorac mikroprocesora) razradio novi tip neurona - ADALINE (ADAptivini LINearni
Element, prenosna funkcija f(x)=x) i odgovarajui zakon uenja.
Sredinom 1960-ih godina je pristup reavanja problema neuronskih mrea
okarakterisan kao pogrean, nakon to Marvin Minsky i Seyour Papert u knjizi
Perceptrons objavljuju matematiki dokaz da jednoslojna neuronska mrea
Perceptron ne moe da naui funkciju XOR, uz pretpostavku da dodavanjem vie
slojeva neurona taj problem nee biti prevazien. Tano je da neuron nije u stanju da
izvede pomenutu funkciju, ali za iole sloeniju mreu od nekoliko neurona to predstavlja
veoma jednostavan zadatak. Njihov dokaz je diskreditovao istraivanja neuronskih
mrea, a finansiranja su preusmerena na druge oblasti vetake inteligencije.
Rumenel, Hinton i Williams (1986) dokazuju veliku promenljivost i potencijal
backpropagation algoritma. Krajem 80-tih i poetkom 90-tih, neuronske mree i neuro
raunarstvo se uvodi kao predmet na nekoliko elitnih univerziteta u SAD, dok se danas
neuronske
mree
gotovo
mogu
sresti
na
svim
univerzitetima.
Iako su NM imale neobinu istoriju, one su jo uvek u ranoj fazi razvoja. Moda se sad
moe rei da smo na kraju poetka. Danas NM nalaze veoma irok spektar primena u
razliitim praktinim oblastima.
3.3 Realizacija neuronskih mreza
Neuronska mrea se moe realizovati na dva naina: hardverski i softverski.
Hardverska realizacija: Vetaki neuroni su fiziki meusobno povezani, oponaajui
veze izmeu biolokih neurona. Neuroni se realizuju kao jednostavna integrisana kola.
Softverska realizacija: NM se obino simuliraju na tradicionalnim raunarima, u
kojima je veza izmeu vorova logika (virtualna).
Svaki od ovih naina realizacije NM ima svoje prednosti kao i mane. Prednost
hardverske realizacije je to to moe da koristi mogunost paralelnog procesiranja
informacija ukoliko se svakom neuronu u mrei dodeli po jedan procesor. Prednost
softverske realizacije NM na standardnom PC raunaru je u tome to se lake
uspostavljaju (i kasnije menjaju) veze izmeu pojedinih neurona u mrei. U praksi se
softverska realizacija koristi za testiranje, a konkretna realizacija koja se primenjuje u
praksi moe biti realizovana i hardverski ime se dobija na brzini.

________________________________________________________________________
20

3.4 Model neuronske mreze

Neuronsku mreu ine:

arhitektura (topologija) mree, odnosno ema vezivanja neurona
prenosna funkcija neurona
zakoni uenja

Arhitekturu vetake neuronske mree predstavlja specifino ureenje i

povezivanje neurona u obliku mree. Po arhitekturi, neuronske mree se razlikuju prema
broju neuronskih slojeva. Obino svaki sloj prima ulaze iz prethodnog sloja, a svoje
izlaze alje narednom sloju. Prvi sloj se naziva ulazni, poslednji je izlazni, ostali slojevi
se obino nazivaju skrivenim slojevima. Jedna od najeih arhitektura neuronskih mrea
je mrea sa tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima signale iz okruenja. Prvi
sloj prenosi signale sledeem sloju (skriveni sloj) koji obrauje ove podatke i izdvaja
osobine i eme iz primljenih signala. Podaci koji se smatraju vanim se upuuju izlaznom
sloju, poslednjem sloju mree. Na izlazima neurona treeg sloja se dobijaju konani
rezultati obrade. Sloenije neuronske mree mogu imati vie skrivenih slojeva, povratne
petlje i elemente za odlaganje vremena, koji su dizajnirani da omogue to efikasnije
odvajanje vanih osobina ili ema sa ulaznog nivoa.

Slika Model neuronske mree

Uenje NM se svodi na uenje iz primera kojih bi trebalo da bude to vie da bi

mrea mogla da se ponaa preciznije u kasnijoj eksploataciji. ina. Kada uzorci koji se
predstavljaju mrei ne dovode vie do promene ovih koeficijenata, smatra se da je mrea
________________________________________________________________________
21

obuena.
Postoji tri tipa obuavanja:

nadgledano obuavanje - mrei se predstavljaju ulazni podaci i oekivani izlazni

podaci
obuavanje ocenjivanjem - mrei se ne predstavljaju oekivani izlazni podaci
nego joj se posle izvesnog vremena predstavlja ocena prethodnog rada. Jedan od
primera je mrea koja ui da balansira tap. Kad god tap padne, mrei se
prosleuje ocena prethodnog rada, na primer, u obliku ugaonog odstupanja tapa
od ravnotee.
samoorganizacija - mrei se predstavljajuiskljuivo ulaz

________________________________________________________________________
22

4. EKSPERTNI SISTEMI
Ekspertni sistemi (takoe, ekspertni sistemi) su inteligentni raunarski programi
kojima se podstie reavanje problema na nain na koji to ine eksperti i predstavljaju
jednu od najznaajnijih oblasti istraivanja vetake inteligencije. Ekspertni sistemi
reavaju realne probleme iz razliitih oblasti, koji bi inae zahtevali ljudsku ekspertizu.
Cilj je da uvek raunarski program daje korektne odgovore, u datoj oblasti, ne loije od
eksperta, ali je to teko dostino. Zato se postavlja manje ambiciozan cilj, trai se da
sistem prui pomo u odluivanju.
Ekspert je strunjak u nekoj oblasti koji poseduje i efikasno koristi odreeno
znanje, razumevanje problema i zadataka, vetine i iskustva. Eksperti poseduju i
sposobnost da u konkretnom problemu koji reavaju prepoznaju tipski zadatak. Poseduju
i neke line osobine poput snalaljivosti, to ini heuristiko znanje. Na osnovu ovog
znanja mogu da prepoznaju najbri nain dolaska do reenja, kao i ispravan pristup u
reavanju problema, ak i ako su podaci nekompletni.
Ekspertni sistemi iz pojedinih oblasti se povezuju inei na taj nain bazu znanja
ire namene, koja je veliki potencijal za pomo u odluivanju.
Podruje ekspertnih sistema, (Expert Systems-ES) predstavlja samo deo irokog
istraivakog podruja poznatog kao vetaka inteligencija Artifikal Inteligence.
Ekspertni sistemi podrazumjevaju onu oblast vjetake inteligencije koja se bavi
primenom raunarskog znanja u reavanju problema koji obino zahtevaju ljudski
intelekt.
ES se satoji od:

kontrolnog programa,
sistema za komunikacije sa korisnikom.
baze znanja,

________________________________________________________________________
23

4.1 Komponente ekspertnog sistema

Ekspertski sistemi imaju tri komponente:
1) baza znanja
2) mehanizam izvoenja
3) upravljaki mehanizam
4.2 Znanje - sticanje i prezentovanje
Proces funkcijonisanja ES moe se raslaniti na pet komponenata:
1) Akvizicija (sticanje) znanja
2) Reprezentacija (memorisanje) znanja
3) Obrada znanja (reavanje problema)
4) Komponente za objanjenje
5) Interfejs (jedinica za dijalog)
4.3 Razlog primene ES
Osnovni razlozi primene ES su: nedostatak eksperata u organizacijama, brz rast
broja informacija kojima ekspert mora ovladati, dugotrajno i skupo kolovanje eksperata,
jeftin hardver, potreba za brim delovanjem u organizaciji i okruenju oko sebe.

Mogu reavati vrlo sloene probleme jednako dobro kao ljudi-strunjaci;

Imaju savrenu memoriju i uzimaju sve relevantne faktore u obzir;

Imaju edukativnu poziciju, poto strunost sintetizuju u jasno definisana pravila;

Zajedniko koritenje znanja vrhunskih strunjaka od strane ireg kruga

korisnika;

4.4 Postupak razvoja ES

U postupku razvoja ES prvo treba utvrditi problem na koji se ova tehnologija
moe primeniti, uraditi prototip (sastoji se iz prikupljanja ekspertskog znanja), kreirati
bazu znanja, izvriti izbor tehnike prezentacije znanja u bazi, uraditi prototip primenom
odabranog softverskog alata, prezentovati prototip korisnicima i ekspertima, modifikovati
prototip na osnovu prikupljenih predloga i miljenja.

________________________________________________________________________
24

4.5 Primena ES
Raspoloivo znanje ES je veoma ogranieno, budui da se oni dizajniraju za
reavanje usko specificiranog problemskog podruja.
Ekspertni sistemi se primenjuju za dijagnostiku i servisiranje, planiranje,
prognoziranje, dizajn, monitoring i merenje, zatim u raznim granama delatnosti kao to
su tehnika, medicina i druge. Neki ES kao to je AL/X koristi se brzo dijagnosticiranje
kvarova, PROSPECTOR u pronalaenju mineralnih sirovina, HASP tumaenje signala
sonara itd.
4.6 Izbori podruja razvoja ES
Prilikom izbora podruja za koje e se razvijati ekspertni sistem uzimaju se
podruja ili situacije koje imaju sledee karakteristike:

Gdje eksperata ima malo i rade pod velikih pritiskom (preko vikenda, praznika,
nou i sl.),
posao je toliko sloen da oduzima mnogo vremena i esto dovodi do greaka,
odluke koje se donose veoma su vane, ali se donose retko pa nema eksperata koji
se njima stalno bave.

4.7 Naini prikupljanja znanja

Osnovni nain prikupljanja znanja za ekspertni sistem su:

Intervju - razgovor s ekspertima u kojima se eli pronai i opisati najvanije

znanje,
Uenje interakcijom - odnosi se na rad eksperta pri reavanju problema
korienjem raunara.

4.8 Osobine ES

Intergracija znanja - ES intergrie znanje potencijalno velikog broja ljudi

strunjaka na jednom mestu;
Poveana dostupnost - ES moe se koristiti na svim lokacijama, 24 sata dnevno;
Smanjena cena - ES je jeftiniji od eksperta;
Nivo subjektivnosti - ES zadrava nivo subjektivnosti koji je u njih incijalno
ugraen, dok su eksperti skloni varijacijama;
Poveana pouzdanost - ES ne ini greke, ne umara se i ne zaboravlja;
Uslovi delovanja - ES moe delovati u uslovima koji su za oveka opasni;
Brzina reakcije - brza reakcija na nastali problem;
Tumaenje - opis do detalja kako se dolo do reenja.

________________________________________________________________________
25

5. ZAKLJUAK
Svakodnevno smo svedoci brojnih primera upotrebe vetake inteligencije u
velikom broju razliitih oblasti. Za oekivati je da e u budunosti upotreba vetake
inteligencije biti sve zastupljenija ak i u svakodnevnom radnom okruenju. Vetaka
inteligencija pokuava oponaati ljudski nain razmiljanja sluei se deklarativno
znakovnim programiranjem uz razvijanje vizuelnih senzora i prirodnih jezika. U
budunosti je za oekivati da e putem vetake inteligencije biti zamenjeni mnogi
eksperti i strunjaci. Velike baze znanja e omoguiti lake rjeavanje problema.

________________________________________________________________________
26

6. LITERATURA
http://wikipedia.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija
http://users.hemo.net/shoom/es.pdf
http://www.scribd.com
S. A. Argyropoulos: Artificial Intelligence in Materials Processing
Operations: A Review and Future Directions, ISIJ Int, 30(1990) 83-89.
D. A. Waterman: A Guide to Expert Systems, Addison-Wesley Publ. Co.,
Reading, MA, (1986)
Prof.dr Mladen Radivojevi, Elektronsko poslovanje-Menadment informacioni sistemi.

________________________________________________________________________
27