Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...

Weitere Magazine

Empfehlungen

Info

2.2 Rationale Agenten Russell und Norvig (2010) definieren einen rationalen Agenten wie folgt [RN10]: For each possible percept sequence, a rational agent should select an action that is expected to maximize its performance measure, given the evidence provided by the percept sequence and whatever built-in knowledge the agent has. Auch wenn ein rationaler Agent nie wissen kann was passieren wird, sollte er jedoch aufgrund seiner Wahrnehmung genau das tun, was wahrscheinlich zu einem richtigen Ergebnis führt. Angenommen ein Agent soll eine Straße überqueren. Man würde hierbei von einem Rationalen Agenten verlangen, dass er sich vorher umschaut. Das heißt, es ist zwar rational die Straße zu überqueren wenn kein Auto in Sicht ist, aber wenn sich der Agent gar nicht erst umschaut, ist es ihm überhaupt nicht möglich rational zu handeln. Man sollte also sichergehen, dass der Agent nicht nur richtig schlussfolgert - kommt ein Auto, überquere ich nicht - sondern, dass er auch die dafür entscheidenden Dinge wahrnimmt. Um mit seiner Umgebung interagieren zu können braucht ein Agent eine Vorstellung von seiner Welt. Es ist möglich dem Agenten strikt seine Welt vorzugeben, was jedoch Probleme mit sich bringen kann. Wenn sich seine Umgebung verändert, oder gar wenn er selbst seine Umgebung verändert, kann er die fest definierte Vorstellung seiner Welt dahingehend nicht anpassen. Dies führt dazu dass seine Leistung beeinträchtigt werden kann. Wenn ein solcher Roboter beispielsweise ein Ei auf einem Löffel balancieren soll, das Ei aber auf halben Wege verliert, wird er dies nicht merken und seinen Weg unbeirrt weiter gehen als sei nichts passiert. Der Agent kann aber auch ein gewisses Vorwissen von seiner Welt haben, das sich durch seine Wahrnehmung verändern und erweitern kann. Er lernt wie sich seine Umgebung verändert [RN10]. 2.3 Lernen Lernen ist eine der wichtigsten Eigenschaften von intelligenten Agenten. Ein Agent lernt, indem er durch Beobachten seiner Umgebung seine Leistung steigert. Dies wird notwendig wenn sich ein Agent neuen Situationen und Umgebungen anpassen soll. Zum Beispiel wenn ein Roboter der eine Rennstrecke abfährt, später auch dazu in der Lage sein soll neue ihm unbekannte Strecken zu bestehen. Oder wenn ein Agent Zustände analysieren soll die sich über die Zeit verändern, wie Börsenkurse oder das Verhalten des Wetters. Es kann aber auch sein, dass es für einen Menschen unmöglich ist, dem Agenten die gewünschte Funktion selber vorzugeben. Beispielsweise können Menschen selbst zwar bekannte Gesichter erkennen, aber es gibt keine Möglichkeit dies einem Agenten beizubringen ohne Lern-Algorithmen zu verwenden [RN10]. Russell und Norvig (2010) teilen Lernmethoden nach den zugrunde liegenden Daten ein [RN10]. Hierbei ist es wichtig gelabelte Daten und nicht gelabelte Daten voneinander zu
unterscheiden. Ein Label ist als Anweisung eines Lehrers zu verstehen. Es soll für den gelabelten Datenpunkt die erwünschte Ausgabe des Algorithmus angeben. Einem Datenpunkt oder einem Datenset kann das erwünsche Ergebnis (Label) z.B. in einer Messung mitgegeben werden [ZG09]. Beim Unsupervised Learning bekommt der Agent eine nicht gelabelte Datenmenge, aus der er Muster erkennen soll. Er hat aber keine weiteren Informationen über die Datensätze. Ein Beispiel für diese Lernmethode ist Clustering. Beim Clustering sollen Daten aufgrund ähnlicher Eigenschaften gruppiert werden. Ein Beispiel ist der k-means-Algorithmus. Dieser funktioniert wie folgt: Abbildung 3: Prinzip Clustering mit Schwerpunkten für k = 3. Aus n Punkten sollen k Gruppen (Cluster) gebildet werden die ähnliche Objekte enthalten. Für sie sollen Schwerpunkte definiert werden. Die Schwerpunkte sollen so gewählt sein, dass sie in der Mitte des Clusters liegen (siehe Abbildung 3). Jeder Punkt der hinzu kommt, wird dem Cluster zugeordnet, dessen Schwerpunkt ihm am nächsten ist. Die Schwerpunkte werden aufgrund der neuen Punkte neu berechnet und am Ende werden die Punkte erneut den Clustern zugewiesen. Dies wird schleifenweise solange wiederholt bis sich die Schwerpunkte stabilisiert haben [Mac67]. Beim Supervised Learning braucht der Agent genug gelabelte Daten mit denen er übt, um richtige Schlüsse über alle folgenden Daten schließen zu können. Dabei soll der Agent mit Input-Output Paaren trainiert werden. Er soll dabei eine Funktion lernen die den Input auf den Output abbildet:
Seite 1 und 2: Künstliche Intelligenz für ortsba
Seite 3: Wahrnehmungsfolge Aktion (A, Sauber
Seite 7 und 8: Bei Time-of-Arrival (TOA) wird die
Seite 9 und 10: N 2 W N 1 V Abbildung 5: Der vermut
Seite 11 und 12: 3.4 Boosting Boosting basiert auf d
Seite 13 und 14: Es gibt verschiedene Ansätze und M
Seite 15 und 16: SFP oder TP ereignen. Die Forscher
Seite 17 und 18: 5 Fazit Künstliche Intelligenz ist

Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?