1.1 Mesin cerdas, atau apa yang mesin dapat melakukan

Filsuf telah mencoba selama lebih dari dua ribu tahun untuk memahami dan menyelesaikan dua pertanyaan besar alam semesta: bagaimana cara kerja pikiran manusia, dan dapat non-manusia memiliki pikiran? Namun, pertanyaan-pertanyaan ini masih belum terjawab. Beberapa filsuf telah mengambil pendekatan komputasi berasal oleh ilmuwan komputer dan menerima gagasan bahwa mesin dapat melakukan segala sesuatu yang manusia bisa lakukan. Lain telah secara terbuka menentang ide ini, mengklaim bahwa seperti perilaku yang sangat canggih seperti cinta, penemuan kreatif dan pilihan moral akan selalu berada di luar lingkup mesin apapun. Sifat filsafat memungkinkan untuk perselisihan tetap belum terselesaikan. di Bahkan, insinyur dan ilmuwan telah membangun mesin yang kami dapat memanggil 'Cerdas'. Jadi apa arti kata 'intelijen' artinya? Mari kita lihat sebuah definisi kamus.Kecerdasan 1 Seseorang adalah kemampuan mereka untuk memahami dan belajar hal-hal .2 Kecerdasan adalah kemampuan untuk berpikir dan memahami bukannya melakukan hal-haldengan insting atau secara otomatis .(Essential English Dictionary , Collins , London , 1990)Jadi, menurut definisi pertama , intelijen adalah kualitas yang dimiliki olehmanusia . Tapi definisi kedua menunjukkan pendekatan yang sama sekali berbeda dan memberikan beberapa fleksibilitas , tetapi tidak menentukan apakah itu adalah seseorang atau sesuatu yang memiliki kemampuan untuk berpikir dan memahami . Sekarang kita harus menemukan apa berpikir berarti . Mari kita berkonsultasi kamus kami lagi .Berpikir adalah kegiatan menggunakan otak Anda untuk mempertimbangkan masalah atau untuk menciptakan ide .Jadi , dalam rangka untuk berpikir , seseorang atau sesuatu harus memiliki otak , atau lainnyakata-kata , organ yang memungkinkan seseorang atau sesuatu untuk belajar dan memahamihal , untuk memecahkan masalah dan membuat keputusan . Jadi kita dapat mendefinisikan kecerdasan sebagai ' kemampuan untuk belajar dan memahami , untuk memecahkan masalah dan membuat keputusan ' .Sangat pertanyaan yang menanyakan apakah komputer dapat menjadi cerdas , atau apakah mesin bisa berpikir , datang kepada kami dari ' zaman kegelapan ' kecerdasan buatan (dari akhir 1940-an ) . Tujuan dari kecerdasan buatan ( AI ) sebagai ilmu adalah untuk membuat mesin melakukan hal-hal yang akan memerlukan kecerdasan apabila dilakukan oleh manusia ( Boden , 1977) . Oleh karena itu, jawaban atas pertanyaan ' Bisakah mesin berpikir ? ' Itu sangat penting untuk disiplin . Namun, jawabannya tidak sederhana ' Ya' atau 'Tidak' , melainkan satu kabur atau tidak jelas . Pengalaman sehari-hari Anda dan umum rasa akan memberitahu Anda bahwa . Beberapa orang lebih cerdas dalam beberapa hal dibandingkan lain . Kadang-kadang kita membuat keputusan yang sangat cerdas tapi kadang-kadang kami juga membuat kesalahan yang sangat konyol . Beberapa dari kita berurusan dengan kompleks matematika dan rekayasa masalah tapi tolol dalam filsafat dan sejarah . beberapa orang baik dalam membuat uang , sementara yang lain lebih baik dalam membelanjakannya . Sebagai manusia , kitasemua memiliki kemampuan untuk belajar dan memahami , untuk memecahkan masalah dan membuatkeputusan , namun kemampuan kami yang tidak sama dan terletak di daerah yang berbeda . Oleh karena itu , kita harus berharap bahwa jika mesin dapat berpikir , beberapa dari mereka mungkinlebih cerdas daripada yang lain dalam beberapa hal .Salah satu makalah yang paling awal dan paling signifikan pada kecerdasan mesin , ' Komputasi mesin dan kecerdasan ' , ditulis oleh matematikawan Inggris Alan Turing lebih dari lima puluh tahun yang lalu (Turing , 1950) . Namun, itu telah berdiri dengan baik untuk ujian waktu , dan pendekatan Turing tetap universal.Alan Turing memulai karir ilmiah di awal 1930-an dengan menemukan kembali Teorema Limit Sentral . Pada tahun 1937 ia menulis sebuah makalah tentang bilangan yang dapat dihitung , di yang ia mengusulkan konsep mesin universal. Kemudian , selama Kedua Perang Dunia , ia adalah pemain kunci dalam memecahkan Enigma , militer Jerman mesin encoding . Setelah perang , Turing merancang ' Computing Otomatis Mesin ' . Ia juga menulis program pertama yang mampu memainkan catur lengkappermainan ; itu kemudian diimplementasikan pada komputer Manchester University.Konsep teoritis Turing komputer universal dan pengalaman praktis nya dalam membangun sistem pemecah kode dilengkapi dia untuk mendekati kunci Pertanyaan mendasar dari kecerdasan buatan . Dia bertanya : Apakah ada pikir tanpa pengalaman ? Apakah ada keberatan tanpa komunikasi ? Apakah ada bahasa tanpa hidup ? Apakah ada kecerdasan tanpa kehidupan ? Semua pertanyaan-pertanyaan ini , Anda bisa lihat , hanya variasi pada pertanyaan mendasar dari kecerdasan buatan , Bisa mesin berpikir ?Turing did not provide definitions of machines and thinking, he just avoidedsemantic arguments by inventing a game, the Turing imitation game. Insteadof asking, Can machines think?, Turing said we should ask, Can machines passa behaviour test for intelligence? He predicted that by the year 2000, a computercould be programmed to have a conversation with a human interrogator for fiveminutes and would have a 30 per cent chance of deceiving the interrogator thatit was a human. Turing defined the intelligent behaviour of a computer as theability to achieve the human-level performance in cognitive tasks.Turing tidak memberikan definisi mesin dan berpikir, ia hanya dihindari argumen semantik dengan menciptakan permainan, permainan imitasi Turing. malah bertanya, 'Bisakah mesin berpikir? ", Turing mengatakan kita harus bertanya,' mesin Bisa lulus tes perilaku untuk kecerdasan? "Dia meramalkan bahwa pada tahun 2000, komputer bisa diprogram untuk melakukan percakapan dengan interogator manusia selama lima menit dan akan memiliki kesempatan 30 persen dari menipu interogator yang itu adalah manusia. Turing mendefinisikan perilaku cerdas dari sebuah komputer sebagai kemampuan untuk mencapai kinerja manusia-tingkat dalam tugas-tugas kognitif.Dengan kata lain, komputer melewati tes jika interogator tidak bisa membedakanmesin dari manusia atas dasar jawaban atas pertanyaan-pertanyaan mereka .Permainan imitasi diusulkan oleh Turing awalnya termasuk dua tahap . ditahap pertama , ditunjukkan pada Gambar 1.1 , interogator , seorang pria dan seorang wanita yangmasing-masing ditempatkan di kamar terpisah dan dapat berkomunikasi hanya melalui media netralseperti remote terminal . Tujuannya interogator adalah untuk bekerja keluar yang merupakanmanusia dan yang merupakan wanita dengan mempertanyakan mereka . Aturan permainan yangbahwa manusia harus berusaha untuk menipu interogator bahwa ia adalah wanita ,sementara wanita harus meyakinkan interogator bahwa ia adalah wanita .Dalam tahap kedua dari permainan , yang ditunjukkan pada Gambar 1.2 , pria digantikan olehkomputer diprogram untuk menipu interogator saat pria itu lakukan . Ini akan bahkandiprogram untuk melakukan kesalahan dan memberikan jawaban kabur dengan cara manusiaakan. Jika komputer bisa menipu interogator sesering pria itu lakukan , kita mungkinmengatakan komputer ini telah lulus uji perilaku cerdas .Simulasi fisik manusia tidak penting untuk kecerdasan . Oleh karena itu , dalamtes Turing interogator tidak melihat , menyentuh atau mendengar komputer dankarena itu tidak dipengaruhi oleh penampilan atau suara . Namun, interogatordiperbolehkan untuk mengajukan pertanyaan , bahkan yang provokatif , dalam rangka untuk mengidentifikasimesin . Interogator mungkin , misalnya , tanyakan baik manusia dan mesin untuk melakukan perhitungan matematika yang rumit , mengharapkan bahwakomputer akan memberikan solusi yang tepat dan akan melakukannya lebih cepat daripada manusia .Dengan demikian , komputer akan perlu tahu kapan harus membuat kesalahan dan kapan harusmenunda jawabannya . Interogator juga dapat mencoba untuk menemukan emosionalsifat manusia , dan dengan demikian , ia mungkin meminta kedua subjek untuk memeriksa pendeknovel atau puisi atau bahkan lukisan . Jelas, komputer akan diperlukan di siniuntuk mensimulasikan pemahaman emosional manusia dari pekerjaan .The Turing pengujian memiliki dua kualitas luar biasa yang membuatnya benar-benar universal.Dengan mempertahankan komunikasi antara manusia dan mesin melaluiterminal , tes memberi kita tampilan standar obyektif tentang intelijen . itumenghindari perdebatan tentang sifat manusia kecerdasan dan menghilangkan biasmendukung manusia .. Tes itu sendiri cukup independen dari rincian percobaan . Hal ini dapatdilakukan baik sebagai permainan dua - fase seperti yang baru saja dijelaskan , atau bahkan sebagai seorang singlephasepermainan di mana interogator perlu memilih antara manusiadan mesin dari awal pengujian . Interogator ini juga bebasuntuk mengajukan pertanyaan dalam bidang apapun dan dapat berkonsentrasi pada isijawaban yang diberikan .Turing percaya bahwa pada akhir abad ke-20 itu akan mungkin untukmemprogram komputer digital untuk memainkan permainan imitasi . meskipun modernkomputer masih tidak bisa lulus tes Turing , ia menyediakan dasar untuk verifikasidan validasi sistem berbasis pengetahuan . Sebuah program berpikir cerdas dalambeberapa daerah sempit keahlian dievaluasi dengan membandingkan kinerjanya dengankinerja seorang ahli manusia.Otak kita menyimpan setara dengan lebih dari 1018 bit dan dapat memproses informasi di setara dengan sekitar 1.015 bit per detik. Pada tahun 2020, otak mungkin akan dimodelkan oleh sebuah chip ukuran kubus gula - dan mungkin pada saat itu akan ada komputer yang bisa bermain - bahkan menang - permainan imitasi Turing. Namun, jangan kita benar-benar ingin mesin untuk melakukan perhitungan matematis sebagai perlahan-lahan dan akurat sebagai manusia lakukan? Dari sudut pandang praktis, cerdas Mesin harus membantu manusia untuk membuat keputusan, untuk mencari informasi, untuk mengontrol objek yang kompleks, dan akhirnya untuk memahami arti dari kata-kata. di sana mungkin ada gunanya mencoba untuk mencapai tujuan abstrak dan sulit dipahami mengembangkan mesin dengan kecerdasan seperti manusia. Untuk membangun sebuah cerdas sistem komputer, kita harus menangkap, mengatur dan menggunakan pengetahuan pakar manusia di beberapa daerah sempit keahlian.

1.2 Sejarah kecerdasan buatan, atau dari 'Dark Abad 'sistem berbasis pengetahuan

Kecerdasan buatan sebagai ilmu didirikan oleh tiga generasi peneliti. Beberapa peristiwa yang paling penting dan kontributor dari setiap generasi dijelaskan selanjutnya.1.2.1 'Dark Ages', atau kelahiran kecerdasan buatan (1943-1956)

Karya pertama yang diakui dalam bidang kecerdasan buatan (AI) disajikan oleh Warren McCulloch dan Walter Pitts pada tahun 1943. McCulloch memiliki gelar dalam filsafat dan kedokteran dari Columbia University dan menjadi Direktur Laboratorium Penelitian Dasar di Departemen Psikiatri di Universitas dari Illinois. Penelitiannya pada sistem saraf pusat mengakibatkan besar pertama kontribusi terhadap AI: model neuron otak. McCulloch dan rekan-penulis Walter Pitts, seorang matematikawan muda, diusulkan model jaringan syaraf tiruan di mana setiap neuron yang didalilkan sebagai berada dalam keadaan biner, yaitu, di on atau off kondisi (McCulloch dan Pitts, 1943). Mereka menunjukkan bahwa model jaringan saraf mereka, pada kenyataannya, setara dengan mesin Turing, dan membuktikan bahwa setiap fungsi dihitung dapat dihitung dengan beberapa jaringan neuron terhubung. McCulloch dan Pitts juga menunjukkan bahwa struktur jaringan yang sederhana bisa belajar. Model jaringan saraf dirangsang baik teoritis dan eksperimental bekerja untuk model otak di laboratorium. Namun, eksperimen jelas menunjukkan bahwa model biner neuron tidak benar. Bahkan, neuron memiliki karakteristik non-linear yang sangat dan tidak dapat dianggap sebagai perangkat dua-negara yang sederhana. Meskipun demikian, McCulloch, kedua 'pendiri' AI setelah Alan Turing, telah menciptakan landasan komputasi saraf dan jaringan saraf tiruan (JST). Setelah penurunan pada 1970-an, bidang ANN dihidupkan kembali pada akhir 1980-an.Pendiri ketiga AI adalah John von Neumann , yang Hungarianborn brilianmatematika . Pada tahun 1930 , ia bergabung dengan Universitas Princeton , mengajar difisika matematika . Dia adalah seorang rekan kerja dan teman dari Alan Turing . selamaPerang Dunia II , von Neumann memainkan peran kunci dalam Proyek Manhattanbahwa membangun bom nuklir . Ia juga menjadi penasihat untuk ElectronicIntegrator Numerik dan Calculator ( ENIAC ) proyek di UniversitasPennsylvania dan membantu untuk merancang Electronic Discrete Variable AutomaticKomputer ( EDVAC ) , mesin program tersimpan . Ia dipengaruhi olehMcCulloch dan model jaringan saraf Pitts itu . Ketika Marvin Minsky dan DeanEdmonds , dua mahasiswa pascasarjana di departemen matematika Princeton ,dibangun pertama jaringan komputer neural pada tahun 1951 , von Neumann mendorong danmendukung mereka .Lain dari para peneliti generasi pertama adalah Claude Shannon . dia lulusdari Massachusetts Institute of Technology ( MIT ) dan bergabung dengan BellTelephone Laboratories pada tahun 1941 . Shannon berbagi ide Alan Turing padakemungkinan mesin intelijen . Pada tahun 1950 , ia menerbitkan sebuah makalah tentang chessplayingmesin , yang menunjukkan bahwa permainan catur khas melibatkan sekitar10120 kemungkinan bergerak ( Shannon , 1950 ) . Bahkan jika baru von Neumann - jeniskomputer bisa memeriksa satu gerakan setiap mikrodetik , itu akan mengambil 3 ? 10106tahun untuk membuat langkah pertama . Dengan demikian Shannon menunjukkan kebutuhan untuk menggunakan heuristik dalam pencarian solusi.Princeton University juga rumah bagi John McCarthy, pendiri lain dari AI. Dia yakin Martin Minsky dan Claude Shannon untuk mengatur musim panas

SEJARAH KECERDASAN BUATAN 5 lokakarya di Dartmouth College, di mana McCarthy bekerja setelah lulus dari Princeton. Pada tahun 1956, mereka membawa bersama-sama peneliti tertarik dalam studi kecerdasan mesin, jaring saraf buatan dan teori automata. lokakarya disponsori oleh IBM. Meskipun ada hanya sepuluh peneliti, workshop ini melahirkan ilmu baru yang disebut kecerdasan buatan. Selama dua puluh berikutnya tahun bidang AI akan didominasi oleh peserta di Dartmouth lokakarya dan siswa mereka.1.2.2 Munculnya kecerdasan buatan , atau era harapan besar( 1960 1956 - an )

Tahun-tahun awal AI ditandai dengan antusiasme yang luar biasa , ide-ide besardan sangat sukses terbatas . Hanya beberapa tahun sebelumnya , komputer telah diperkenalkanuntuk melakukan perhitungan matematis rutin , namun sekarang para peneliti AIyang menunjukkan bahwa komputer bisa melakukan lebih dari itu . Itu adalah eraharapan besar .John McCarthy , salah satu penyelenggara dari lokakarya Dartmouth danpenemu ' kecerdasan buatan ' istilah , pindah dari Dartmouth ke MIT . dia mendefinisikan bahasa tingkat tinggi LISP - salah satu bahasa pemrograman tertua ( FORTRAN hanya dua tahun lebih tua ) , yang masih digunakan saat ini . Pada tahun 1958 , McCarthy mempresentasikan sebuah makalah , ' Program dengan Common Sense ' , di mana ia mengusulkan program yang disebut Advice Taker untuk mencari solusi untuk umum masalah dunia ( McCarthy , 1958). McCarthy menunjukkan bagaimana nya Program bisa menghasilkan , misalnya , rencana untuk pergi ke bandara , berdasarkan beberapa aksioma sederhana . Yang paling penting , program ini dirancang untuk menerima baru aksioma , atau dengan kata lain pengetahuan baru , di berbagai wilayah keahlian tanpa sedang memprogram. Dengan demikian Advice Taker adalah knowledgebased lengkap pertama sistem menggabungkan prinsip-prinsip utama dari representasi pengetahuan dan penalaran .Organizer lain dari lokakarya Dartmouth , Marvin Minsky , juga pindah ke MIT . Namun, tidak seperti McCarthy dengan fokus pada logika formal , Minsky mengembangkan pandangan anti - logis pada pengetahuan representasi dan penalaran .Teorinya frame ( Minsky , 1975 ) merupakan kontribusi besar terhadap pengetahuan engineering .Pekerjaan awal komputasi saraf dan jaringan syaraf tiruan dimulai oleh McCulloch dan Pitts dilanjutkan . Metode pembelajaran diperbaiki dan Frank Rosenblatt membuktikan konvergensi perceptron teorema , menunjukkan bahwa algoritma pembelajarannya bisa menyesuaikan kekuatan koneksi perceptron a ( Rosenblatt , 1962) .Salah satu proyek yang paling ambisius dari era harapan besar adalah General Problem Solver ( GPS ) (Newell dan Simon , 1961, 1972) . Allen Newell dan Herbert Simon dari Universitas Carnegie Mellon mengembangkan sebuah generalpurpose program untuk mensimulasikan metode pemecahan masalah manusia. GPS adalah mungkin upaya pertama untuk memisahkan teknik pemecahan masalah dari data. Hal ini didasarkan pada teknik sekarang disebut sebagai analisis berarti berakhir.Newell dan Simon mendalilkan bahwa masalah yang harus diselesaikan dapat didefinisikan dalamhal negara . Analisis sarana - ujungnya digunakan untuk menentukan perbedaan antara kondisi saat ini dan keadaan yang diinginkan atau negara tujuan dari masalah , dan untuk memilih dan menerapkan operator untuk mencapai goal state . Jika tujuan negara tidak bisa segera dihubungi dari kondisi saat ini , negara baru yang lebih dekat ke tujuan akan dibentuk dan prosedur diulang sampai negara tujuan tercapai . Himpunan operator menentukan rencana solusi .Namun, GPS gagal untuk memecahkan masalah yang rumit . Program ini didasarkan pada logika formal dan oleh karenanya bisa menghasilkan jumlah tak terbatas operator , yang secara inheren tidak efisien . Jumlah waktu komputer dan memori yang GPS diperlukan untuk memecahkan masalah di dunia nyata menyebabkan proyek makhluk ditinggalkan .Singkatnya , kita dapat mengatakan bahwa pada tahun 1960 , peneliti AI mencoba mensimulasikan proses berpikir yang kompleks dengan menciptakan metode umum untuk pemecahan kelas yang luas dari masalah . Mereka menggunakan pencarian tujuan umum Mekanisme untuk menemukan solusi untuk masalah ini . Pendekatan tersebut , sekarang disebut metode lemah , diterapkan informasi yang lemah tentang domain masalah ; ini mengakibatkan lemahnya kinerja program-program yang dikembangkan .Namun, itu juga merupakan waktu ketika bidang AI menarik ilmuwan besar yang memperkenalkan ide-ide baru yang mendasar dalam bidang-bidang seperti representasi pengetahuan , algoritma pembelajaran , komputasi saraf dan komputasi dengan kata-kata . ide-ide ini tidak dapat dilaksanakan maka karena kemampuan komputer yang terbatas , tapi dua dekade kemudian mereka telah menyebabkan perkembangan dari kehidupan nyata praktis aplikasi .Sangat menarik untuk dicatat bahwa Lotfi Zadeh , seorang profesor dari University of California di Berkeley , menerbitkan makalah yang terkenal ' set Fuzzy ' juga pada tahun 1960 ( Zadeh , 1965) . Tulisan ini kini dianggap sebagai dasar dari himpunan fuzzy teori . Dua dekade kemudian , peneliti kabur telah membangun ratusan pintar mesin dan sistem cerdas .Pada tahun 1970 , euforia tentang AI sudah pergi , dan dana pemerintah yang paling untuk Proyek AI dibatalkan . AI masih merupakan bidang yang relatif baru , akademik di alam , dengan beberapa aplikasi praktis selain bermain game ( Samuel , 1959, 1967; Greenblatt et al . , 1967 ) . Jadi , untuk orang luar , prestasi akan dilihat sebagai mainan , karena tidak ada sistem AI pada waktu itu bisa mengelola masalah di dunia nyata .1.2.3 janji tidak terpenuhi, atau dampak dari realitas (akhir 1970-an 1960-an)

Dari pertengahan 1950-an, peneliti AI yang membuat janji-janji untuk membangun semua-tujuan mesin cerdas pada basis pengetahuan manusia-besaran sejak tahun 1980-an, dan untuk melebihi kecerdasan manusia pada tahun 2000. Pada tahun 1970, bagaimanapun, mereka menyadari bahwa klaim seperti itu terlalu optimis. Meskipun program beberapa AI bisa menunjukkan beberapa tingkat kecerdasan mesin dalam satu atau dua masalah mainan, hampir tidak ada proyek AI bisa berurusan dengan pilihan yang lebih luas dari tugas atau lebih sulit masalah di dunia nyata.Kesulitan utama untuk AI pada akhir tahun 1960 adalah :

. Karena peneliti AI yang mengembangkan metode umum untuk kelas yang luasmasalah , program awal berisi sedikit atau bahkan tidak ada pengetahuan tentangmasalah domain . Untuk memecahkan masalah , program-program menerapkan strategi pencarian denganmencoba berbagai kombinasi langkah-langkah kecil , sampai yang benar adalahditemukan . Metode ini bekerja untuk ' mainan ' masalah , sehingga tampaknya masuk akal bahwa , jikaprogram dapat ' ditingkatkan ' untuk memecahkan masalah besar , mereka akan akhirnyaberhasil. Namun, pendekatan ini salah .Mudah, atau penurut , masalah dapat diselesaikan dalam waktu polinomial , yaitu untukmasalah ukuran n , waktu atau jumlah langkah yang diperlukan untuk menemukan solusinyafungsi polinomial n . Di sisi lain , masalah keras atau kerasmembutuhkan waktu yang fungsi eksponensial dari masalah ukuran . sementaraalgoritma polinomial - waktu dianggap efisien , eksponen -timealgoritma tidak efisien , karena waktu pelaksanaannya meningkat pesat denganmasalah ukuran . Teori NP - kelengkapan ( Cook, 1971; Karp , 1972 ) ,dikembangkan pada awal tahun 1970 , menunjukkan adanya kelas besar nondeterministicmasalah polinomial ( NP masalah ) yang NP - lengkap . AMasalah ini disebut NP jika solusinya ( jika ada ) dapat ditebak dan diverifikasidalam waktu polinomial , non - deterministik berarti bahwa tidak ada algoritma tertentudiikuti untuk membuat menebak . Masalah yang paling sulit di kelas ini adalahNP - lengkap . Bahkan dengan komputer yang lebih cepat dan kenangan yang lebih besar , inimasalah sulit untuk memecahkan .. Banyak masalah yang AI berusaha untuk memecahkan terlalu luas dan terlalusulit. Sebuah tugas khas untuk awal AI adalah terjemahan mesin . Sebagai contoh,National Research Council , USA , yang didanai terjemahan dari Rusia ilmiahmakalah setelah peluncuran satelit buatan pertama ( Sputnik ) pada tahun 1957 .Awalnya, tim proyek mencoba hanya mengganti kata-kata Rusia dengan bahasa Inggris ,menggunakan kamus elektronik . Namun, ia segera menemukan bahwa terjemahanmembutuhkan pemahaman umum tentang subjek memilih kata-kata yang benar .Tugas ini terlalu sulit. Pada tahun 1966 , semua proyek terjemahan didanai oleh ASpemerintah dibatalkan .. Pada tahun 1971 , pemerintah Inggris juga menghentikan dukungan untuk penelitian AI . tuanJames Lighthill telah ditugaskan oleh Science Research Council ofBritania Raya untuk meninjau keadaan saat AI ( Lighthill , 1973) . Dia tidakmenemukan hasil besar atau bahkan signifikan dari penelitian AI , dan karena melihattidak perlu memiliki ilmu terpisah yang disebut ' kecerdasan buatan ' .1.2.4 Teknologi sistem pakar, atau kunci keberhasilan (awal 1970-pertengahan 1980-an)

Mungkin perkembangan yang paling penting pada 1970-an adalah realisasi bahwa domain masalah bagi mesin cerdas harus cukup dibatasi. Sebelumnya, para peneliti AI telah percaya bahwa algoritma pencarian pintar dan teknik penalaran dapat diciptakan untuk meniru umum, seperti manusia, metode pemecahan masalah. Sebuah tujuan umum mekanisme pencarian bisa mengandalkan 8 PENGANTAR SISTEM CERDAS PENGETAHUAN BERBASIS langkah-langkah penalaran dasar untuk menemukan solusi lengkap dan bisa menggunakan lemah pengetahuan tentang domain. Namun, ketika metode yang lemah gagal, peneliti akhirnya menyadari bahwa satu-satunya cara untuk memberikan hasil yang praktis adalah untuk memecahkan khas kasus di daerah sempit keahlian dengan membuat langkah-langkah penalaran besar.

Program DENDRAL adalah contoh khas dari teknologi baru( Buchanan et al . , 1969) . DENDRAL dikembangkan di Stanford Universityuntuk menganalisis bahan kimia. Proyek ini didukung oleh NASA , karena seorang tak berawakpesawat ruang angkasa adalah akan diluncurkan ke Mars dan program yang diperlukan untukmenentukan struktur molekul tanah Mars , berdasarkan spektral massadata yang diberikan oleh spektrometer massa . Edward Feigenbaum ( mantan mahasiswaHerbert Simon ) , Bruce Buchanan ( seorang ilmuwan komputer ) dan Joshua Lederberg( pemenang hadiah Nobel dalam genetika ) membentuk tim untuk memecahkan masalah ini menantangmasalah .Metode tradisional untuk memecahkan masalah tersebut bergantung pada generateand -Teknik tes : semua struktur molekul mungkin konsisten dengan massaspektogram yang dihasilkan pertama , dan kemudian spektrum massa ditentukanatau diprediksi untuk setiap struktur dan diuji terhadap spektrum yang sebenarnya .Namun, metode ini gagal karena jutaan kemungkinan struktur bisadihasilkan - masalah cepat menjadi keras bahkan untuk berukuran layakmolekul .Untuk menambah kesulitan dari tantangan , tidak ada algoritma ilmiahuntuk pemetaan spektrum massa ke dalam struktur molekul . Namun, analitisahli kimia , seperti Lederberg , dapat memecahkan masalah ini dengan menggunakan keterampilan mereka ,pengalaman dan keahlian . Mereka sangat bisa mengurangi jumlah kemungkinanstruktur dengan mencari pola terkenal dari puncak di spektrum , dandemikian menyediakan hanya solusi layak beberapa untuk pemeriksaan lebih lanjut . Oleh karena itu ,Pekerjaan Feigenbaum itu menjadi untuk menggabungkan keahlian Lederberg menjadiprogram komputer untuk membuatnya tampil di tingkat ahli manusia . program-program tersebutkemudian disebut sistem pakar . Untuk memahami dan mengadopsi pengetahuan Lederberg itudan beroperasi dengan terminologinya , Feigenbaum harus belajar ide-ide dasar dalamkimia dan analisis spektral . Namun, menjadi jelas bahwa Feigenbaumdigunakan tidak hanya aturan kimia tetapi juga heuristik sendiri , atau aturan -of -thumb ,berdasarkan pengalamannya , dan bahkan dugaan. Segera Feigenbaum mengidentifikasi satukesulitan utama dalam proyek , yang ia disebut ' akuisisi pengetahuanbottleneck ' - cara mengekstrak pengetahuan dari pakar manusia untuk berlaku untukkomputer . Untuk mengartikulasikan pengetahuan , Lederberg bahkan diperlukan untuk mempelajari dasar-dasardalam komputasi .Bekerja sebagai tim, Feigenbaum, Buchanan dan Lederberg dikembangkan DENDRAL, sistem berbasis pengetahuan yang sukses pertama. Kunci keberhasilan mereka sedang memetakan semua pengetahuan teoritis yang relevan dari bentuk umum untuk aturan yang sangat spesifik ('buku masak resep') (Feigenbaum et al., 1971). Pentingnya DENDRAL dapat diringkas sebagai berikut: . DENDRAL menandai 'pergeseran paradigma' besar dalam AI: pergeseran dari generalpurpose, pengetahuan-jarang, metode lemah untuk domain-spesifik, knowledgeintensive teknik.. Tujuan dari proyek ini adalah untuk mengembangkan program komputer untuk mencapai tingkatkinerja dari seorang ahli kimia manusia yang berpengalaman . Menggunakan heuristik dalambentuk aturan khusus berkualitas tinggi - aturan -of -thumb - menimbulkan dari manusiaahli , tim DENDRAL membuktikan bahwa komputer bisa sama seorang ahli dalamsempit , didefinisikan , masalah daerah .. Proyek DENDRAL berasal ide dasar metodologi barusistem pakar - pengetahuan teknik , yang meliputiteknik menangkap , menganalisis dan mengekspresikan dalam aturan seorang pakar' Know-how ' .DENDRAL terbukti menjadi alat analisis yang berguna bagi ahli kimia dan dipasarkansecara komersial di Amerika Serikat .Proyek utama berikutnya dilakukan oleh Feigenbaum dan lain-lain di StanfordUniversitas adalah di bidang diagnosis medis . Proyek , yang disebut MYCIN ,dimulai pada tahun 1972 . Ini kemudian menjadi Ph.D. tesis Edward Shortliffe ( Shortliffe ,1976) . MYCIN merupakan sistem pakar berbasis aturan untuk diagnosis infeksipenyakit darah . Selain itu juga disediakan dokter dengan saran terapi dalam yang nyaman ,cara user-friendly.MYCIN memiliki sejumlah karakteristik umum untuk sistem pakar dini ,termasuk :. MYCIN bisa tampil di tingkat yang setara dengan ahli manusia di lapangan danjauh lebih baik daripada dokter junior .. Pengetahuan MYCIN terdiri dari sekitar 450 peraturan independen IF -THENbentuk yang berasal dari pengetahuan manusia dalam domain sempit melalui ekstensifmewawancarai ahli .. Pengetahuan yang tergabung dalam bentuk aturan yang jelas terpisah darimekanisme penalaran . Sistem pengembang dapat dengan mudah memanipulasipengetahuan dalam sistem dengan memasukkan atau menghapus beberapa aturan . Sebagai contoh,Versi domain - independen MYCIN disebut EMYCIN ( MYCIN Kosong ) adalahkemudian diproduksi di Stanford University ( van Melle , 1979; . van Melle et al , 1981) .Itu semua fitur dari sistem MYCIN kecuali pengetahuanpenyakit darah menular . EMYCIN memfasilitasi pengembangan varietasaplikasi diagnostik . Pengembang sistem hanya harus menambah pengetahuan barudalam bentuk aturan-aturan untuk mendapatkan aplikasi baru .MYCIN juga memperkenalkan beberapa fitur baru . Aturan yang tergabung dalam MYCINmencerminkan ketidakpastian yang berhubungan dengan pengetahuan , dalam hal ini dengan medisdiagnosis . Ini diuji kondisi aturan ( bagian IF ) terhadap data yang tersedia atau datadiminta dari dokter . Bila diperlukan , MYCIN disimpulkan kebenaran dariKondisi melalui kalkulus ketidakpastian yang disebut faktor kepastian . pertimbangandalam menghadapi ketidakpastian adalah bagian yang paling penting dari sistem .Sistem lain probabilistik yang dihasilkan publisitas besar adalahPROSPECTOR , sistem pakar untuk eksplorasi mineral dikembangkan olehStanford Research Institute ( Duda et al . , 1979) . Proyek ini berlangsung dari tahun 1974 sampai10 PENGANTAR KEPADA PENGETAHUAN BERBASIS SISTEM CERDAS1983. Sembilan ahli memberikan kontribusi pengetahuan dan keahlian mereka . Untuk mewakili merekapengetahuan, PROSPECTOR menggunakan struktur gabungan yang dimasukkan aturan danjaringan semantik . PROSPECTOR memiliki lebih dari seribu aturan untuk mewakilipengetahuan domain luas . Ini juga memiliki paket dukungan canggihtermasuk sistem akuisisi pengetahuan.PROSPECTOR beroperasi sebagai berikut . Pengguna , seorang ahli geologi eksplorasi , dimintauntuk memasukkan karakteristik deposit dicurigai : kondisi geologi ,struktur , jenis batuan dan mineral . Maka program ini membandingkankarakteristik dengan model endapan dan , jika perlu , query pengguna untukmemperoleh informasi tambahan . Akhirnya , PROSPECTOR membuat penilaiandeposit mineral yang dicurigai dan menyajikan kesimpulan . Hal ini juga dapat menjelaskanlangkah itu digunakan untuk mencapai kesimpulan .Dalam geologi eksplorasi , keputusan penting biasanya dibuat dalam menghadapiketidakpastian , dengan pengetahuan yang tidak lengkap atau tidak jelas . Untuk menghadapi sepertipengetahuan, PROSPECTOR dimasukkan aturan Bayes bukti untuk menyebarkanketidakpastian melalui sistem . PROSPECTOR dilakukan pada tingkat yanggeologi dan ahli membuktikan diri dalam praktek . Pada tahun 1980 , ia mengidentifikasi molibdenum aDeposit dekat Gunung Tolman di Washington State . Setelah pengeboran olehperusahaan pertambangan dikonfirmasi deposit itu bernilai lebih dari $ 100 juta. andatidak bisa berharap untuk pembenaran yang lebih baik untuk menggunakan sistem pakar .Sistem pakar yang disebutkan di atas kini telah menjadi klasik. tumbuh A jumlah aplikasi yang sukses dari sistem pakar pada akhir tahun 1970 menunjukkan bahwa teknologi AI bisa bergerak berhasil dari laboratorium penelitian ke lingkungan komersial. Selama periode ini, bagaimanapun, sebagian besar ahli sistem dikembangkan dengan bahasa AI khusus, seperti LISP, PROLOG dan OPS, berdasarkan pada workstation yang kuat. Kebutuhan untuk memiliki agak mahal hardware dan pemrograman yang rumit bahasa berarti bahwa tantangan pengembangan sistem pakar yang tersisa di tangan kelompok penelitian beberapa di Stanford University, MIT, Stanford Research Institute dan Carnegie Mellon- University. Hanya pada tahun 1980, dengan kedatangan komputer pribadi (PC) dan alat pengembangan sistem pakar yang mudah digunakan - kerang - bisa peneliti biasa dan insinyur di semua disiplin ilmu mengambil kesempatan untuk mengembangkan ahli sistem.Sebuah survei tahun 1986 melaporkan angka yang luar biasa dari sistem pakar yang sukses aplikasi di daerah yang berbeda: kimia, elektronik, teknik, geologi, manajemen, kedokteran, pengendalian proses dan ilmu militer (Waterman, 1986). Meskipun Waterman menemukan hampir 200 sistem pakar, sebagian besar aplikasi berada di bidang diagnosis medis. Tujuh tahun kemudian serupa Survei melaporkan lebih dari 2500 sistem pakar dikembangkan (Durkin, 1994). baru daerah berkembang adalah bisnis dan manufaktur, yang menyumbang sekitar 60 per persen dari aplikasi. Teknologi sistem pakar telah jatuh tempo jelas. Apakah sistem pakar yang benar-benar kunci keberhasilan dalam bidang apapun? Terlepas dari besar Berbagai perkembangan yang sukses dan implementasi sistem pakar di berbagai bidang pengetahuan manusia, itu akan menjadi kesalahan untuk melebih-lebihkan kemampuan teknologi ini. Kesulitan yang agak rumit dan berbaring di kedua teknis dan sosiologis bola. Mereka adalah sebagai berikut:. Sistem pakar dibatasi ke domain yang sangat sempit keahlian . untukMisalnya , MYCIN , yang dikembangkan untuk diagnosis darah menularpenyakit , tidak memiliki pengetahuan nyata dari fisiologi manusia . Jika pasien memiliki lebihdari satu penyakit , kita tidak bisa mengandalkan MYCIN . Bahkan , terapi diresepkan untukpenyakit darah bahkan mungkin berbahaya karena penyakit lain .. Karena domain sempit , sistem pakar yang tidak kuat dan fleksibelpengguna mungkin ingin . Selain itu , sistem pakar dapat mengalami kesulitan mengenalibatas-batas domain . Ketika diberi tugas yang berbeda dari khasmasalah , sistem pakar mungkin mencoba untuk menyelesaikannya dan gagal dalam agakcara yang tidak terduga .. Sistem pakar telah membatasi kemampuan penjelasan . Mereka dapat menunjukkanurutan aturan yang mereka diterapkan untuk mencapai solusi , tetapi tidak dapat berhubunganakumulasi , pengetahuan heuristik untuk setiap pemahaman yang lebih dalammasalah domain .. Sistem pakar juga sulit untuk memverifikasi dan memvalidasi . Tidak ada teknik umumbelum dikembangkan untuk menganalisis kelengkapan dan konsistensi mereka .Aturan heuristik mewakili pengetahuan dalam bentuk abstrak dan kurang bahkan dasarpemahaman daerah domain . Hal ini membuat tugas mengidentifikasi salah ,pengetahuan yang tidak lengkap atau tidak konsisten sangat sulit .. Sistem pakar , terutama generasi pertama , memiliki sedikit atau tidak memiliki kemampuan untuk belajardari pengalaman mereka . Sistem pakar yang dibangun secara individual dan tidak dapatberkembang pesat . Mungkin butuh lima hingga sepuluh orang-tahun untuk membangun ahlisistem untuk memecahkan masalah yang cukup sulit ( Waterman , 1986 ) . komplekssistem seperti DENDRAL , MYCIN atau PROSPECTOR dapat mengambil lebih dari 30 personyears untuk membangun . Upaya besar ini, bagaimanapun , akan sulit untuk membenarkan jikaperbaikan kinerja sistem pakar tergantung pada lanjutperhatian dari pengembang .Meskipun semua kesulitan ini , sistem pakar telah membuat terobosan dan membuktikan nilai mereka dalam sejumlah aplikasi penting .

1.2.5 Cara membuat mesin belajar , atau kelahiran kembali jaringan saraf( pertengahan 1980-an - dan seterusnya )

Pada pertengahan 1980-an , peneliti , insinyur dan ahli menemukan bahwa membangunsistem pakar yang dibutuhkan lebih dari sekedar membeli sistem penalaran atau pakarsistem shell dan menempatkan aturan yang cukup di dalamnya . Kekecewaan tentang penerapanteknologi sistem pakar bahkan menyebabkan orang memprediksi ' musim dingin ' an AI dengansangat diperas pendanaan untuk proyek-proyek AI . Peneliti AI memutuskan untuk memiliki barumelihat jaringan saraf .Pada akhir 1960-an, sebagian besar dari ide-ide dasar dan konsep yang diperlukan untuk komputasi saraf sudah dirumuskan (Cowan, 1990). Namun, hanya pada pertengahan 1980-an itu solusinya muncul. Alasan utama untuk penundaan itu teknologi: tidak ada PC atau workstation yang kuat untuk model dan bereksperimen dengan jaringan syaraf tiruan. Alasan lainnya adalah psikologis dan keuangan. Sebagai contoh, pada tahun 1969, Minsky dan Papert memiliki matematis menunjukkan keterbatasan komputasi dasar satu-layer perceptrons (Minsky dan Papert, 1969). Mereka juga mengatakan tidak ada alasan untuk berharap bahwa perceptrons multilayer yang lebih kompleks akan mewakili banyak. ini tentu saja tidak akan mendorong orang untuk bekerja pada perceptrons, dan sebagai Hasilnya, sebagian besar peneliti AI sepi bidang jaringan syaraf tiruan dalam 1970.Pada 1980-an , karena kebutuhan untuk pengolahan informasi otak - seperti , sebagaiserta kemajuan teknologi komputer dan kemajuan dalam ilmu saraf , yangbidang jaringan saraf mengalami kebangkitan dramatis . kontribusi besarbaik teori dan desain dibuat di beberapa bidang . Grossberg mendirikanprinsip baru dari diri - organisasi ( teori resonansi adaptif ) , yang menyediakandasar untuk kelas baru jaringan saraf ( Grossberg , 1980) . Hopfieldjaringan saraf diperkenalkan dengan umpan balik - jaringan Hopfield , yang menarikbanyak perhatian pada tahun 1980 ( Hopfield , 1982) . Kohonen menerbitkan sebuah makalah tentangpeta terorganisir diri ( Kohonen , 1982) . Barto , Sutton dan Anderson diterbitkanpekerjaan mereka pada pembelajaran penguatan dan penerapannya dalam kontrol ( Barto et al . ,1983) . Tetapi terobosan nyata datang pada tahun 1986 ketika back- propagasialgoritma belajar , pertama kali diperkenalkan oleh Bryson dan Ho pada tahun 1969 ( Bryson dan Ho ,1969) , yang diciptakan kembali oleh Rumelhart dan McClelland Paralel TerdistribusiPengolahan : Explorations in the Mikrostruktur Kognisi ( Rumelhart danMcClelland , 1986) . Pada saat yang sama , belajar back- propagasi jugaditemukan oleh Parker ( Parker , 1987) dan LeCun ( LeCun , 1988) , dan sejak saat itutelah menjadi teknik yang paling populer untuk perceptrons pelatihan multilayer . di1988, Broomhead dan Lowe menemukan prosedur untuk merancang feedforward berlapisjaringan yang menggunakan fungsi basis radial , alternatif untuk multilayer perceptrons( Broomhead dan Lowe , 1988) .Jaringan saraf tiruan telah datang jauh dari model awalMcCulloch dan Pitts ke subjek interdisipliner dengan akar dalam ilmu saraf ,psikologi , matematika dan teknik , dan akan terus berkembang di keduateori dan aplikasi praktis . Namun, makalah Hopfield ini ( Hopfield , 1982)dan Rumelhart dan buku McClelland ( Rumelhart dan McClelland , 1986) yangkarya yang paling signifikan dan berpengaruh bertanggung jawab atas kelahiran kembali sarafjaringan pada 1980-an .

1.2.6 perhitungan Evolusioner, atau learning by doing( awal 1970 - seterusnya )

Kecerdasan alami adalah produk evolusi . Oleh karena itu , dengan mensimulasikan biologievolusi , kita mungkin berharap untuk menemukan bagaimana sistem kehidupan yang didorongmenuju tingkat tinggi intelijen . Alam belajar dengan melakukan , sistem biologistidak diberitahu bagaimana beradaptasi dengan lingkungan tertentu - mereka hanya bersaing untukkelangsungan hidup . Spesies fittest memiliki kesempatan lebih besar untuk mereproduksi , dan dengan demikianlulus materi genetik mereka kepada generasi berikutnya .Pendekatan evolusioner untuk kecerdasan buatan didasarkan pada komputasi yangModel seleksi alam dan genetika . perhitungan evolusionerbekerja dengan mensimulasikan populasi individu , mengevaluasi kinerja mereka ,menghasilkan populasi baru , dan mengulangi proses ini beberapa kali .Perhitungan evolusi menggabungkan tiga teknik utama : algoritma genetika ,strategi evolusi , dan pemrograman genetik .Konsep algoritma genetika diperkenalkan oleh John Holland dalamawal 1970-an ( Holland , 1975) . Dia mengembangkan sebuah algoritma untuk memanipulasibuatan ' kromosom ' ( string dari digit biner ) , menggunakan operasi genetik sepertisebagai seleksi, crossover dan mutasi . Algoritma genetika didasarkan pada padatlandasan teoritis dari skema Teorema ( Holland , 1975; Goldberg , 1989) .Pada awal 1960-an , secara independen dari algoritma genetika Belanda , IngoRechenberg dan Hans - Paul Schwefel , mahasiswa Universitas TeknikBerlin , mengusulkan metode optimasi baru yang disebut strategi evolusi( Rechenberg , 1965) . Strategi evolusi yang dirancang khusus untuk memecahkanmasalah optimasi parameter dalam rekayasa . Rechenberg dan Schwefelmenyarankan menggunakan perubahan acak dalam parameter , seperti yang terjadi di alammutasi . Bahkan , pendekatan strategi evolusi dapat dianggap sebagaialternatif untuk intuisi insinyur . Strategi evolusi menggunakan numerikprosedur optimasi , mirip dengan fokus Monte Carlo pencarian .Kedua algoritma genetika dan strategi evolusi dapat memecahkan berbagaimasalah . Mereka menyediakan solusi yang kuat dan dapat diandalkan untuk sangat kompleks , nonlinearpencarian dan optimasi masalah yang sebelumnya tidak dapat diselesaikan padasemua ( Holland , 1995; Schwefel , 1995) .Pemrograman genetik merupakan penerapan model genetikbelajar pemrograman . Tujuannya adalah untuk berkembang bukan representasi kodedari beberapa masalah , melainkan kode komputer yang memecahkan masalah . Artinya,pemrograman genetik menghasilkan program komputer sebagai solusinya .Kepentingan dalam pemrograman genetik sangat dirangsang oleh John Koza ditahun 1990-an ( Koza , 1992, 1994 ) . Dia menggunakan operasi genetik untuk memanipulasikode simbolik yang mewakili program LISP . Pemrograman genetik menawarkansolusi untuk tantangan utama ilmu komputer - membuat komputer memecahkanmasalah tanpa secara eksplisit diprogram .Algoritma genetika , strategi evolusioner dan pemrograman genetik merupakancepat bidang AI berkembang , dan memiliki potensi besar .

1.2.7 Era baru dari rekayasa pengetahuan , atau komputasi dengan kata-kata(akhir 1980 - seterusnya )

Teknologi jaringan saraf menawarkan interaksi yang lebih alami dengan dunia nyatadibandingkan sistem berbasis pada penalaran simbolik . Jaringan saraf dapat belajar , beradaptasiterhadap perubahan lingkungan masalah ini , membentuk pola dalam situasi di manaaturan tidak diketahui , dan berurusan dengan informasi jelas atau tidak lengkap . Namun,mereka tidak memiliki fasilitas penjelasan dan biasanya bertindak sebagai kotak hitam . Prosespelatihan jaringan syaraf tiruan dengan teknologi saat ini lambat , dan seringpelatihan ulang dapat menyebabkan kesulitan serius .Meskipun dalam beberapa kasus khusus , terutama dalam situasi pengetahuan - miskin ,ANNs dapat memecahkan masalah yang lebih baik daripada sistem pakar , dua teknologi yangtidak dalam persaingan sekarang . Mereka lebih baik saling melengkapi .Sistem pakar klasik yang sangat baik untuk aplikasi closed - system denganinput dan output yang tepat logis . Mereka menggunakan pengetahuan pakar dalam bentukaturan dan , jika diperlukan , dapat berinteraksi dengan pengguna untuk membangun fakta tertentu . AKelemahan utama adalah bahwa para ahli manusia tidak dapat selalu mengekspresikan pengetahuan mereka dalamhal aturan atau menjelaskan garis penalaran mereka . Hal ini dapat mencegah ahli sistem dari mengumpulkan pengetahuan yang diperlukan , dan akibatnya menyebabkan kegagalan . Untuk mengatasi keterbatasan ini , komputasi saraf dapat digunakan untuk penggalian pengetahuan yang tersembunyi dalam data yang besar set untuk memperoleh aturan untuk sistem pakar( Medsker dan Leibowitz , 1994; Zahedi , 1993) . ANNs juga dapat digunakan untukmengoreksi aturan tradisional sistem pakar berbasis aturan ( OMLIN dan Giles ,1996) . Dengan kata lain, pengetahuan yang diperoleh di mana tidak lengkap , jaringan sarafdapat memperbaiki pengetahuan , dan di mana pengetahuan tidak konsisten dengan beberapadiberikan data, jaringan saraf dapat merevisi aturan .Teknologi lain yang sangat penting berurusan dengan samar-samar , tidak tepat dan pengetahuan tidak pasti dan data logika fuzzy . Sebagian besar metode penanganan ketidaktepatan dalam sistem pakar klasik didasarkan pada konsep probabilitas .MYCIN , misalnya , memperkenalkan faktor kepastian , sementara PROSPECTOR dimasukkan Aturan Bayes ' untuk menyebarkan ketidakpastian . Namun, para ahli biasanya tidak berpikir nilai probabilitas , tetapi dalam istilah seperti sering, umumnya , kadang-kadang , sesekali dan jarang . Logika fuzzy berkaitan dengan penggunaan nilai-nilai kabur yang menangkap arti kata-kata , penalaran manusia dan pengambilan keputusan . sebagai metode untuk mengkodekan dan menerapkan pengetahuan manusia dalam bentuk yang secara akurat mencerminkan pemahaman seorang pakar sulit , masalah yang kompleks , logika fuzzy menyediakancara untuk menerobos kemacetan komputasi ahli tradisional sistem .Di jantung dari logika fuzzy terletak konsep variabel linguistik . nilai-nilai variabel linguistik adalah kata-kata bukan angka. Mirip dengan ahli sistem , sistem kabur menggunakan IF -THEN aturan untuk menggabungkan pengetahuan manusia , tetapi aturan ini tidak jelas , seperti :

JIKA kecepatan tinggi THEN stopping_distance panjang

JIKA kecepatan rendah THEN stopping_distance pendek.

Fuzzy logika atau teori himpunan fuzzy diperkenalkan oleh Profesor Lotfi Zadeh, Ketua departemen teknik elektro Berkeley, pada tahun 1965 (Zadeh, 1965). itu menyediakan sarana komputasi dengan kata-kata. Namun, penerimaan himpunan fuzzy Teori oleh masyarakat teknis lambat dan sulit. Sebagian dari masalah adalah nama provokatif - 'kabur' - yang tampak terlalu ringan-hati harus diambil serius. Akhirnya, teori fuzzy, diabaikan di Barat, dianggap serius di Timur - oleh Jepang. Ini telah berhasil digunakan sejak tahun 1987 di Mesin pencuci piring Jepang dirancang, mesin cuci, AC, televisi set, mesin fotokopi dan bahkan mobil.Pengenalan produk kabur memunculkan bunga yang luar biasa di ini rupanya teknologi ' baru' pertama kali diusulkan lebih dari 30 tahun yang lalu . ratusan buku dan ribuan makalah teknis telah ditulis tentang topik ini . beberapa klasik adalah : Set Fuzzy , Neural Networks dan Soft Computing ( Yager dan Zadeh , eds , 1994) ; The Fuzzy Sistem Handbook ( Cox , 1999) ; Teknik Fuzzy ( Kosko , 1997) ; Sistem Pakar dan Sistem Fuzzy ( Negoita , 1985) , dan juga buku sains best-seller , Berpikir Fuzzy ( Kosko , 1993) , yang mempopulerkan bidang logika fuzzy .Sebagian besar aplikasi logika fuzzy telah di bidang teknik kontrol .Namun, sistem kontrol fuzzy menggunakan hanya sebagian kecil dari kekuatan logika fuzzy tentangrepresentasi pengetahuan . Manfaat yang diperoleh dari penerapan logika fuzzy model dalam sistem berbasis pengetahuan dan pendukung keputusan dapat diringkas sebagai berikut ( Cox , 1999; Turban dan Aronson , 2000) :. Peningkatan daya komputasi : sistem berbasis aturan Fuzzy melakukan lebih cepatdibandingkan sistem pakar konvensional dan memerlukan sedikit aturan . Seorang pakar kabursistem menggabungkan aturan , membuat mereka lebih kuat . Lotfi Zadeh percayabahwa dalam beberapa tahun sistem yang paling ahli akan menggunakan logika fuzzy untuk memecahkan sangat nonlinear dan komputasi sulit masalah .. Peningkatan pemodelan kognitif : sistem Fuzzy memungkinkan pengkodean pengetahuandalam bentuk yang mencerminkan cara ahli berpikir tentang masalah yang kompleks .Mereka biasanya berpikir secara tidak tepat seperti tinggi dan rendah , cepat dan lambat ,berat dan ringan , dan mereka juga menggunakan istilah seperti sangat sering dan hampirpernah , biasanya dan hampir tidak pernah , sering dan kadang-kadang . Agar membangun aturan konvensional , kita perlu mendefinisikan batas-batas tajam untuk ini istilah , sehingga mogok keahlian menjadi fragmen . Namun, hal ini fragmentasi mengarah pada kinerja yang buruk dari sistem pakar konvensional ketika mereka menangani masalah yang sangat kompleks . Sebaliknya , ahli kaburModel sistem informasi tidak tepat , menangkap keahlian lebih erat dengan cara itu diwakili dalam pikiran ahli , dan dengan demikian meningkatkan kognitif pemodelan masalah.. Kemampuan untuk mewakili beberapa ahli : sistem pakar konvensionaldibangun untuk domain yang sangat sempit dengan keahlian yang jelas . Hal ini membuatkinerja sistem sepenuhnya tergantung pada pilihan yang tepat dari para ahli .Meskipun strategi umum adalah untuk menemukan hanya satu ahli , ketika lebih komplekssistem pakar sedang dibangun atau ketika keahlian tidak didefinisikan dengan baik , beberapaahli mungkin dibutuhkan. Beberapa ahli dapat memperluas domain , mensintesis keahlian dan menghilangkan kebutuhan untuk ahli kelas dunia , yang kemungkinan untuk menjadi sangat mahal dan sulit untuk mengakses. Namun, beberapa ahli jarang mencapai kesepakatan dekat, sering ada perbedaan pendapat dan bahkan konflik . Hal ini terutama berlaku di berbagai bidang seperti bisnis dan manajemen di mana tidak ada solusi sederhana dan ada pandangan yang saling bertentangan harus diambil ke rekening. Sistem pakar Fuzzy dapat membantu untuk mewakili keahlianbeberapa ahli ketika mereka memiliki pandangan yang bertentangan .Meskipun sistem Fuzzy memungkinkan ekspresi pengetahuan ahli dalam lebih cara alami , mereka masih tergantung pada aturan diekstraksi dari para ahli , dan dengan demikian mungkin pintar atau bodoh . Beberapa ahli dapat memberikan aturan fuzzy sangat pintar tetapi beberapa hanya menebak dan bahkan bisa mendapatkan mereka salah . Oleh karena itu , semua aturan harus diuji dan disetel , yang dapat menjadi proses yang berkepanjangan dan membosankan . Sebagai contoh, butuh Insinyur Hitachi beberapa tahun untuk menguji dan tune hanya 54 aturan fuzzy untuk memandu Sendai Sistem Subway .Menggunakan alat pengembangan logika fuzzy , kita dapat dengan mudah membangun kabur sederhanasistem , tapi kemudian kami dapat menghabiskan hari , minggu dan bahkan berbulan-bulan mencoba baru aturan dan tuning sistem kami . Bagaimana kita membuat proses ini lebih cepat atau , di lain kata-kata , bagaimana kita menghasilkan aturan fuzzy baik secara otomatis ?Dalam beberapa tahun terakhir , beberapa metode berbasis teknologi jaringan saraf memilikidigunakan untuk mencari data numerik untuk aturan fuzzy. Adaptif atau saraf kabur sistem dapat menemukan aturan fuzzy baru , atau mengubah dan lagu yang sudah ada berdasarkandata yang diberikan . Dengan kata lain, data - aturan keluar , atau pengalaman dalam - commonmerasakan out .

Jadi, di mana pengetahuan teknik pos ?Ahli , saraf dan sistem kabur sekarang telah jatuh tempo dan telah diterapkan untuk berbagai masalah yang berbeda , terutama di bidang teknik , kedokteran , keuangan , bisnis dan manajemen . Setiap teknologi menangani ketidakpastian dan ambiguitas pengetahuan manusia berbeda , dan masing-masing teknologi telah ditemukan nya tempatkan dalam rekayasa pengetahuan. Mereka tidak lagi bersaing , melainkan mereka melengkapi satu sama lain . Sebuah sinergi sistem pakar dengan logika fuzzy dan neural komputasi meningkatkan kemampuan beradaptasi , ketahanan , toleransi kesalahan dan kecepatan sistem berbasis pengetahuan . Selain itu, komputasi dengan kata-kata membuat mereka lebih 'Manusia' . Sekarang praktek umum untuk membangun sistem cerdas menggunakan yang adateori daripada untuk mengusulkan yang baru , dan untuk menerapkan sistem ini untuk RealWorldmasalah daripada ' mainan ' masalah .

1.3 RingkasanKita hidup di era revolusi pengetahuan , ketika kekuatan suatu bangsa adalah ditentukan bukan oleh jumlah tentara di tentara , tetapi pengetahuan itu memiliki . Ilmu pengetahuan, kedokteran, teknik dan propel bisnis bangsa menuju kualitas hidup yang lebih tinggi , tetapi mereka juga membutuhkan orang-orang yang berkualitas dan terampil .Kami sekarang mengadopsi mesin cerdas yang dapat menangkap keahlian seperti orang berpengetahuan dan alasan dengan cara yang mirip dengan manusia .Keinginan untuk mesin cerdas itu hanya sebuah impian yang sulit dipahami sampai pertama komputer dikembangkan . Komputer awal bisa memanipulasi basis data yang besar efektif dengan mengikuti algoritma yang ditentukan , tapi tidak bisa alasan tentang informasi yang diberikan . Hal ini memunculkan pertanyaan apakah komputer dapat pernah berpikir . Alan Turing mendefinisikan perilaku cerdas dari sebuah komputer sebagai kemampuan untuk mencapai kinerja manusia - tingkat dalam tugas kognitif . The Turing uji memberikan dasar untuk verifikasi dan validasi sistem berbasis pengetahuan .Pada tahun 1956 , sebuah lokakarya musim panas di Dartmouth College dibawa bersama sepuluhpeneliti tertarik untuk mempelajari kecerdasan mesin , dan ilmu baru - kecerdasan buatan - lahir .Sejak awal 1950-an , teknologi AI telah berkembang dari rasa ingin tahu daribeberapa peneliti untuk alat yang berharga untuk mendukung manusia membuat keputusan . kamitelah melihat siklus sejarah AI dari era ide-ide besar dan besar harapan di tahun 1960-an dengan kekecewaan dan dana penghematan dalam awal 1970-an , dari pengembangan sistem pakar pertama seperti DENDRAL , MYCIN dan PROSPECTOR pada tahun 1970 untuk kematangan ahli teknologi sistem dan aplikasi yang sangat besar di daerah yang berbeda pada tahun 1980 / 90-an , dari model biner sederhana dari neuron yang diusulkan pada 1940-an untuk kebangkitan dramatis bidang jaringan syaraf tiruan pada 1980-an , dari pengenalan logika fuzzy dan yang diabaikan oleh Barat di 1960 ke berbagai ' kabur ' produk konsumen yang ditawarkan oleh Jepang di tahun 1980-an dan penerimaan di seluruh dunia komputasi 'lunak ' dan komputasi dengan kata-kata pada 1990-an .Pengembangan sistem pakar dibuat rekayasa pengetahuan , yang proses membangun sistem cerdas . Hari ini berhubungan tidak hanya dengan ahli sistem tetapi juga dengan jaringan saraf dan logika fuzzy . pengetahuan teknik masih merupakan seni daripada teknik, tetapi upaya telah dibuat untuk mengekstrak aturan otomatis dari data numerik melalui jaringan saraf teknologi .Tabel 1.1 merangkum peristiwa penting dalam sejarah pengetahuan AI dan engineering dari pekerjaan pertama di AI oleh McCulloch dan Pitts pada tahun 1943 , dengan tren terbaru menggabungkan kekuatan dari sistem pakar , logika fuzzy dan komputasi saraf dalam sistem berbasis pengetahuan modern yang mampu komputasi dengan kata-kata .Pelajaran paling penting yang dipelajari dalam bab ini adalah :.Kecerdasan adalah kemampuan untuk belajar dan memahami , untuk memecahkan masalah dan membuat keputusan .. Kecerdasan buatan adalah ilmu yang telah didefinisikan tujuannya sebagai membuat mesinmelakukan hal-hal yang akan memerlukan kecerdasan apabila dilakukan oleh manusia .. Sebuah mesin dianggap cerdas jika dapat mencapai kinerja manusia - tingkat di beberapa tugas kognitif . Untuk membangun sebuah mesin yang cerdas , kita harus menangkap , mengatur dan menggunakan pengetahuan pakar manusia dalam beberapa bidang masalah .. Kesadaran bahwa domain masalah bagi mesin cerdas harus cukup dibatasi menandai ' pergeseran paradigma ' besar dalam AI dari generalpurpose , pengetahuan - jarang , metode lemah untuk domain-spesifik , knowledgeintensive metode . Hal ini menyebabkan pengembangan sistem pakar - Komputerprogram yang mampu tampil di tingkat manusia - ahli dalam masalah sempit daerah . Sistem pakar menggunakan pengetahuan manusia dan keahlian dalam bentuk aturan khusus , dan dibedakan dengan pemisahan bersih dari pengetahuan dan mekanisme penalaran . Mereka juga bisa menjelaskan alasan mereka prosedur .