Κλιμακώσιμες Μέθοδοι Τεχνητής Νοημοσύνης

Εξάμηνο μαθήματος
2nd semester
Course category
Elective
Πιστωτικές Μονάδες
7,5
Διδάσκοντες

Ν. Κατζούρης, Η. Αλεβίζος

Στοχος

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / η φοιτήτρια θα είναι σε θέση να

  • Κατανοεί την πολυπλοκότητα των βασικών μεθόδων της τεχνητής νοημοσύνης (συμπερασμός, μηχανική μάθηση), σε συνδυασμό με τις ανάγκες των σύγχρονων εφαρμογών, που απαιτούν τη διαχείριση μεγάλων όγκων δεδομένων, ή και ροών δεδομένων.
  • Κατανοεί και να χρησιμοποιεί φορμαλισμούς της τεχνητής νοημοσύνης που επιτρέπουν  τη συνέργεια ανθρώπου και μηχανής για την επίλυση προβλημάτων τεχνητής νοημοσύνης, μέσω της κατασκευής ερμηνεύσιμων μοντέλων μηχανικής μάθησης (interpretable vs. black-box models).
  • Κατανοεί τις βασικές αρχές της διαχείρισης ροών δεδομένων και κάποιες βασικές μεθόδους συμπερασμού και μηχανικής μάθησης από τέτοιες ροές, ειδικά σε εφαρμογές όπου η χρονική διάσταση των δεδομένων παίζει βασικό ρόλο.
  • Σχεδιάζει και αναλύει αλγορίθμους που αφορούν στην εξαγωγή γνώσης από ροές δεδομένων, την online μηχανική μάθηση και την κατανεμημένη μηχανική μάθηση.

Περιεχομενα

Ο βασικός σκοπός του μαθήματος είναι η εξοικείωση των φοιτητών με την ανάπτυξη μεθόδων συμπερασμού και μηχανικής μάθησης οι οποίες: (α) είναι κλιμακώσιμες σε μεγάλους όγκους/ροές δεδομένων, κάτι αναγκαίο σε πολλές σύγχρονες εφαρμογές και (β) υποστηρίζουν την ανάπτυξη ερμηνεύσιμων μοντέλων που επιτρέπουν την εποπτεία/παρέμβαση ανθρώπων ειδικών (domain experts) στη διαδικασία επίλυσης ενός προβλήματος τεχνητής νοημοσύνης.

Για τον σκοπό αυτό θα χρησιμοποιηθεί ως βασικό παράδειγμα αναφοράς κατά τη διάρκεια του μαθήματος το πεδίο της αναγνώρισης γεγονότων από ροές δεδομένων. Η αναγνώριση γεγονότων αφορά στην ταυτοποίηση  χωρο-χρονικών μοτίβων σε ροές δεδομένων. Κάθε τέτοιο μοτίβο αποτελεί την τυποποίηση κάποιας συνθήκης, ή συμβάντος, τα οποία ενδιαφέρει να αναγνωριστούν καθώς συμβαίνουν, ή και να προβλεφθούν εγκαίρως. Οι εφαρμογές περιλαμβάνουν την ασφάλεια συστημάτων και υποδομών, τη βελτιστοποίηση δικτύων παραγωγής και μεταφοράς και πολλά άλλα. 

Η αναγνώριση γεγονότων θέτει έναν αριθμό από προκλήσεις, που την κάνουν ενεργό πεδίο έρευνας. Πρώτον, οι μέθοδοι συμπερασμού που χρησιμοποιούνται για την ταυτοποίηση των χρήσιμων μοτίβων πρέπει να είναι κλιμακώσιμες σε ροές δεδομένων μεγάλου όγκου και ταχύτητας. Δεύτερον, τα ενδιαφέροντα μοτίβα πρέπει να μπορούν να εκφραστούν με τρόπο κατανοητό από ανθρώπους, και οι συνθήκες αναγνώρισής τους πρέπει να μπορούν να εξηγηθούν/αναλυθούν, δεδομένου ότι πολύ συχνά οι εφαρμογές μπορεί να είναι αρκετά κρίσιμες (π.χ. ασφάλεια, πρόληψη ατυχημάτων κ.λ.π.). Τρίτον, καθώς τα ενδιαφέροντα μοτίβα δεν είναι πάντα γνωστά εκ των προτέρων, ή μπορεί να αλλάξουν με την πάροδο του χρόνου, καθώς αλλάζει η φύση των δεδομένων εισόδου, είναι απαραίτητες κλιμακώσιμες μέθοδοι μηχανικής μάθησης, που μπορούν να ανακαλύψουν μοτίβα συμβάντων από ροές δεδομένων. Τέταρτον, οι μέθοδοι συμπερασμού και μηχανικής μάθησης για αναγνώριση γεγονότων θα πρέπει να μπορούν να αντεπεξέλθουν στον θόρυβο και την αβεβαιότητα των ροών δεδομένων εισόδου.

Κατά τη διάρκεια του μαθήματος θα καλυφθούν τα ακόλουθα:    

  • Εισαγωγή στην αναγνώριση σύνθετων γεγονότων, παραδείγματα και εφαρμογές. Βασικά στοιχεία διαχείρισης ροών δεδομένων. 
  • Μέθοδοι υπολογιστικής λογικής για αναγνώριση γεγονότων. Εκφραστικότητα, ερμηνευσιμότητα και πολυπλοκότητα.
  • Βασικά στοιχεία commonsense συλλογιστικής. Συμβάντα με διάρκεια στο χρόνο, αδράνεια, μοντελοποίηση μέσω Άρνησης ως Αποτυχία, Λογισμός Γεγονότων (Event Calculus). Αναπαράσταση μοτίβων σύνθετων γεγονότων στον Λογισμό Γεγονότων, κλιμακώσιμες μέθοδοι συμπερασμού, το σύστημα RTEC (Runtime Event Calculus).
  • (Εάν υπάρχει χρόνος) Βασικά στοιχεία σημασιολογίας λογικού προγραμματισμού με άρνηση, Answer Set Programming, μεθοδολογία επίλυσης προβλημάτων με χρήση ενός Answer Set Solver, ο Λογισμός Γεγονότων σε Answer Set Programming.
  • (Εάν υπάρχει χρόνος) Διαχείριση θορύβου και αβεβαιότητας: Συνδυαστικές μέθοδοι υπολογιστικής λογικής και θεωρίας πιθανοτήτων, Στατιστική Σχεσιακή Μάθηση (Statistical Relational Learning), οι φορμαλισμοί των Markov Logic Networks και του Πιθανοτικού Λογικού Προγραμματισμού.
  • Μηχανική μάθηση: Βασικές αρχές Επαγωγικού Λογικού Προγραμματισμού (Inductive Logic Programming). Μάθηση λογικών θεωριών στο Λογισμό Γεγονότων.
  • Κλιμακώσιμες μέθοδοι μηχανικής μάθησης. Online αλγοριθμοι, Hoeffding αλγόριθμοι και εφαρμογές στην μάθηση λογικών θεωριών από ροές δεδομένων.
  • (Εάν υπάρχει χρόνος) Βασικά στοιχεία κατανεμημένης μηχανικής μάθησης και εφαρμογές στην εκμάθηση μοτίβων σύνθετων γεγονότων.

Επιπλέον, στον Eύδοξο αναρτώνται σε ηλεκτρονική μορφή άρθρα, οπτικοακουστικό υλικό διαλέξεων και διαδικτυακές διευθύνσεις για χρήσιμες πληροφορίες καθώς και ασκήσεις για την εξάσκηση των φοιτητών/τριών.

Παρουσιάζονται μελέτες περίπτωσης, παραδειγματικά προβλήματα και μέθοδοι επίλυσης αυτών κοκ.

Ενδεικτικη βιβλιογραφια

  • Mueller, Erik T. Commonsense Reasoning: An Event Calculus based Approach. Morgan Kaufmann, 2014.
  • Bifet, A., Gavaldà, R., Holmes, G., & Pfahringer, B., Machine learning for data streams. MIT Press, 2018.
  • Koller, D., Friedman, N., Džeroski, S., Sutton, C., McCallum, A., Pfeffer, A., & Neville, J., Introduction to statistical relational learning. MIT press, 2007.
  • ­De Raedt, L., Logical and relational learning. Springer Science & Business Media, 2008.
  • M. N. Garofalakis, J. Gehrke, and R. Rastogi, editors. Data Stream Management - Processing High-Speed Data Streams. Data-Centric Systems and Applications. Springer, 2016.