I.

NOȚIUNI INTRODUCTIVE

1.1. Definiții, concepte

Definiția sistemelor inteligente trebuie sa plece de la noțiunea de inteligență. Exista
numeroase accepțiuni ale noțiunii de inteligență:
 abilitatea de a ințelege anumite fenomene și de a folosi cunoștințele extrase din
experiențe;
 abilitatea de a căpăta și de a reține cunotințe;
 abilitatea de a raspunde repede și eficient unor noi situații, etc.
Conform DEX, “inteligența” este capacitatea individului de a intelege ușor și bine, de a sesiza ce
este esențial, de a rezolva situații sau probleme noi pe baza experientei acumulate anterior.
Definitie (R. Marks). Un sistem inteligent este un sistem care imita anumite aspecte ale
inteligenței naturale. Aceste aspecte includ:
 invățare;
 adaptabilitate;
 robustețe în domeniile problemei;
 imbunătățirea performantei (in timp si spatiu),
 comprimarea informatiei (datele se transforma in cunostinte),
 rationament extrapolat.
Dintr-o perspectiva computationala, un sistem inteligent trebuie sa fie caracterizat de:
 flexibilitate
 adaptabilitate
 invatare
 capacitate de rationament
 abilitatea de management a incertitudinii si a informatiei imprecise.
Sistem inteligent flexibil:
 -capabil de a suporta o cantitate de variatie
 -flexibilitatea in a fi utilizat
 -flexibilitate la schimbare: posibilitatea de a suferi imbunatatiri
 Sistem inteligent adaptiv: -abilitatea de a se schimba pentru a suferi modificari
 -abilitatea de a suferi perturbatii
 -abilitatea de a se adapta eficient si rapid la circumstantele in schimbare.
Prin urmare, un sistem adaptiv este un sistem deschis care este capabil sa isi ajusteze
comportamentul corespunzator schimbarilor din mediu sau din interiorul sistemului.
Sistem inteligent capabil de rationament: genereaza concluzii din cunostintele disponibile
folosind tehnici logice precum deductia si inductia.
Deductia: se pleaca de la o baza de cunostinte suficiente asupra universului problemei si se
extrag reguli esentiale.
Inductia: se generalizeaza o problema plecand de la un set de exemple.
Exemple de sisteme inteligente: persoanele, animalele mai mari, robotii, o afacere, o natiune.
Sistem inteligent artificial - un program de calculator care functioneaza in acelasi mod precum
creierul biologic, numai ca intr-un mod electronic si nu prin activarea neuronilor biologici. Este
similar cutiei negre: are inputuri si invata care outpuri sunt acceptate.

1
 Un sistem inteligent artificial stocheaza experiente in memorie, le generalizeaza si poate sa
prelucreze noi inputuri.
1.2. INTELIGENTA ARTIFICIALA
Inteligenta artificiala (AI) este domeniul ce se ocupa cu studiul sistemelor inteligente. In
timp s-au propus mai multe definitii ale AI. Prezentam cateva din aceste definitii:
Richard E. Bellman (1978) defineste AI ca automatizarea activitatilor pe care le asociem
cu gandirea umana, activitati precum luarea deciziilor, rezolvarea problemelor, invatarea.
Richard Stottler (1999): AI este imitarea gandirii umane si proceselor cognitive pentru a
rezolva probleme complexe.
Patrick Henry Winston (1999): AI este studiul calculului care face posibile intelegerea,
rationamentul si actiunea. Din perspectiva acestei definitii, AI difera mult de psihologie datorita
accentului mai mare pe calcul. Multe enciclopedii o definesc prin raportare la inteligenta umana.
Webopedia (2002) defineste AI ca ramura a informaticii care studiaza modul in care
computerele se comporta ca oamenii.
Whatis.com (2001): simularea proceselor inteligentei umane de catre masini, in special de
catre calculatoare.
AI Depot (2001): AI este o ramura a stiintei care se refera la a ajuta masinile sa gaseasca
solutii la probleme complexe intr-un mod asemanator oamenilor. Aceasta presupune a
imprumuta caracteristici ale inteligentei umane si a le aplica sub forma de algoritmi.
1.3. INTELIGENTA COMPUTATIONALA
Inteligenta Computationala (CI), subdomeniu al AI, cuprinde concepte, paradigme,
algoritmi si implementarea sistemelor care manifesta comportamente inteligente in medii
complexe. CI se bazeaza in special pe metode inspirate din natura. Aceste metode au avantajul ca
tolereaza cunostintele incomplete, incerte si deci faciliteaza gasirea unor solutii care sunt
aproximative si robuste in acelasi timp.
Problemele complexe din domenii variate precum tehnic, comercial, financiar, necesita
aplicatii pe calculator care trebuie sa arate “un comportament inteligent”. Aceste aplicatii
intentioneaza sa sprijine procesul de luare a deciziilor, sa controleze procese, sa recunoasca si sa
interpreteze patternuri sau sa manevreze vehicule sau roboti autonomi intr-un mediu incert.
Calitatea unui sistem inteligent depinde in principal de cat de bine este rezolvata problema
reprezentarii informatiei. Termenul de inteligenta computationala s-a impus cu ocazia
Congresului Mondial de CI (IEEE) din 1994.
Orlando, Florida. R. Marks (1993) defineste CI enumerand componentele sale: retele neuronale,
algoritmi genetici, sisteme fuzzy, programare evolutiva si artificial life (Artificial Life (sau A-
LiFe) este un domeniu care examineaza sistemele referitoare la viata, procesele ei, evolutiei ei
cu ajutorul simularilor cu modele de calculator, robotica si biochimie. ALife imita biologia
traditionala incercand sa recreeze anumite aspecte ale fenomenelor biologice).
Definitie (Eberhart et al., 1996). CI este definita ca o metodologie (care implica calculatorul )
care manifesta o abilitate de a invata si/ sau a trata situatii noi in care sistemul este perceput ca
poseda unul sau mai multe atribute legate de rationament, precum generalizarea, descoperirea,
asocierea si abstractizarea. In versiunea actuala, CI are urmatoarele domenii:
 -logica fuzzy (fuzzy logic);
 -calcul evolutionist (evolutionary computation);
 -retele neuronale (neural networks);
2
  -sisteme hibride (hybrid systems).
Domeniile sunt intr-o relatie de complementaritate (nu concurentiala), in care fiecare contribuie
cu avantajele si tehnicile proprii la solutionarea problemelor.
1.4. SOFT COMPUTING
In 1984, L. A. Zadeh a propus o noua abordare a masinilor inteligente, separand Hard
Computing de Soft Computing.
Hard Computing este orientat catre analiza si designul sistemelor si proceselor fizice si are drept
caracteristici precizia, formalizarea si categoricitatea. Conform Rudas si Fodor [2008 ], Hard
Computing se bazeaza pe logica binara, sisteme crisp (bazate pe logica bivalenta), analiza
numerica, teoria probabilitatilor, ecuatii diferentiale, analiza functionala, programare
matematica, teoria aproximarii si crisp software.
Soft Computing este orientat catre analiza si designul sistemelor inteligente. Conform Rudas si
Fodor [ 2008 ], Soft Computing se bazeaza pe logica fuzzy, retele neuronale artificiale si
rationamente probabilistice incluzand algoritmii genetici , teoria haosului si machine learning.
In Hard Computing imprecizia si incertitudinea sunt proprietati indezirabile; in Soft
Computing toleranta la imprecizie si incertitudine este exploatata pentru a obtine o solutie
acceptabila cu un cost scazut, tractabilitate (usor de controlat).
Conform lui Zadeh (1994), Soft Computing este:
 o multime de metodologii care ofera o fundamentare pentru conceperea si designul
sistemelor inteligente.
 urmareste o formalizare a abilitatii remarcabile a omului de a lua decizii rationale in
situatii imprecise si incerte.
Teza principala a Soft Computing este sa exploateze toleranta la imprecizie, incertitudine si
adevar partial pentru a realiza tractabilitate, robustete , solutii la un cost scazut si un raport mai
bun cu realitatea.
Un sistem robust presupune ca el este relativ putin sensibil la erori sau perturbatii si are o
capacitate puternica de a se reface. De exemplu, un ecosistem care a suferit daune serioase, cum
ar fi un foc, in general se va reface relativ rapid. Un motiv al acestei tolerante la erori, este
organizarea distribuita si redundanta: acele parti ale sistemului care nu au suferit daune
contribuie si coopereaza la refacerea celor afectate. Un alt motiv al robustetii poate fi gasit in
fluctuatii, miscarile aleatoare sau zgomote. Sistemele au tendinta de a prezenta miscari aleatoare
care determina, mai departe, o variabilitate si diversitate intrinseca, ceea ce face autoorganizarea
posibila. O anumita cantitate de incertitudine, determinate de comportamentul fluctuant, aleator
al sistemului, va facilita mai degraba decat va impiedica autoorganizarea.
In rezumat, Soft Computing are urmatoarele subdomenii:
 sisteme fuzzy
 retele neuronale
 calcul evolutiv
 machine learning
 rationamente probabiliste
Urmarind discutia de mai sus, se observa ca CI se suprapune peste Soft Computing (au
aproximativ aceleasi subdomenii).
Logica fuzzy Multimile si sistemele fuzzy au fost introduse de L. A. Zadeh (1965).
Terminologie: Fuzzy: vag, neclar, imprecis, scamos, pufos, nuanţat Fuzziness: imprecizie
3
nestatistica si caracter vag al informatiilor si datelor Lotfi Zadeh: “Motivul pentru care am ales
cuvântul fuzzy este că ceea ce am avut în minte sunt clasele care nu au graniţe precis delimitate”.
“Fuzziness” se refera la imprecizie si incertitudine in informatii si date. Majoritatea conceptelor
din lumea reala sunt fuzzy. In logica clasica, cunoscuta ca logica crisp, un element (obiect)
apartine sau nu apartine unei multimi. Aceasta inseamna ca gradul sau de apartenenta este 0 sau
1. Intr-o multime fuzzy, gradul de apartenenta ia valori in intervalul [0, 1]. Functia de
apartenenta este notiunea centrala in teoria multimilor fuzzy. Multimile si sistemele fuzzy au la
baza logica fuzzy, care poate fi considerata logica “rationamentului aproximativ” (nu se vorbeste
de enunturi adevarate sau false, ci de gradul de adevar al unui enunt). Logica fuzzy este o
generalizare a logicii bivalente (conventionala, crisp, clasica). Multimile fuzzy modeleaza
proprietatile de imprecizie, aproximare. Logica fuzzy rezolva probleme unde logica crisp
esueaza.
Calculul evolutionist cuprinde:
1. Algoritmi genetici (genetic algorithms)
2. Programare evolutionista (evolutionary programming)
3. Strategii evolutive (evolution strategies) .
4. Programare genetica (genetic programming)
5. Optimizarea roiurilor de particule (particle swarm optimization)
Calculul evolutionist
 modeleaza procese naturale: selectie, recombinare, mutatie, etc.
 lucreaza cu populatii de solutii potentiale si aplica principiul supravietuirii celui mai bun
(teoria evolutionista – Darwin) pentru a furniza aproximari din ce in ce mai bune ale
solutiei. Indivizii din populatie evolueaza, astfel ca acestia devin mai adaptati mediului
decat indivizii din care au fost creati
 similar cu adaptarea naturala. Reţele neuronale Retelele neuronale artificiale sunt sisteme
de prelucrare a informatiei ce modeleaza structura creierului
 inspiratie biologica.
 Simuleaza o structura de calcul paralela, extrem de interconectata, ce contine un numar
mare de elemente de prelucrare (neuroni) relativ simple. Elementele de prelucrare sunt
conectate prin conexiuni ponderate. Ponderile conexiunilor stocheaza informatia
(cunostintele), reteaua fiind astfel capabila de adaptare prin modificarea acestor ponderi.
Istoric:
 1943: neuropsihologul W. McCulloch si matematicianul W. Pitts au scris prima lucrare
de retele neuronale ( “A logical calculus of the ideas imanent in nervous activity” )
 1949: Donald Hebb (“ The organization of the behaviour”) : cu cat este mai mult folosita,
cu atat o conexiune neuronala devine mai puternica.
 1958: Rosenblatt introduce perceptronul, retea neuronala cu un singur strat
 1969: apare monografia Perceptronul, de Minsky si Papert -1974: algoritmul de
propagare inapoi a semnalului (Backpropagation) , descris initial de P. Werbos in 1974,
face ca retelele neuronale sa fie intens utilizate
 1982: retelele cu instruire nesupervizata ( T. Kohonen) Sisteme hibride Sistemele hibride
combina doua sau mai multe tehnologii (logica fuzzy, retele neuronale, algoritmi
genetici, etc.) pentru a construi sisteme inteligente.
Fiecare din aceste tehnologii reprezinta un mod de a modela inteligenta umana. Totusi, aceste
tehnologii luate individual au restrictii si limite. Combinand una sau mai multe tehnologii intr-un
4
sistem hibrid, sporesc capabilitatile si performanta sistemului si prin aceasta se obtine o mai buna
intelegere a cunoasterii umane. Exista mai multe modalitati de a obtine sisteme hibride:
Combinarea: exemplul tipic este o combinatie de retele neuronale si sisteme bazate pe reguli
fuzzy. Integrarea : aceasta arhitectura foloseste de obicei trei sau mai multe tehnologii si
introduce o ierarhie intre subsistemele individuale. De exemplu, unul dintre subsisteme este
dominant si poate distribui task-uri catre alte subsisteme. Fuziunea: o arhitectura cuplata
puternic, de obicei bazata pe o capacitate de optimizare puternica intre algoritmi genetici si retele
neuronale. Prin fuziunea unor asemenea tehnologii distincte, eficienta de invatare a sistemului
rezultat creste. Asocierea: arhitectura in care se asociaza diverse tehnologii individuale,
schimband cunostinte si fapte reciproc.
1.5. Aplicatii ale CI:
 economie (business-finante): exista un volum mare de date deja colectate in diverse arii
precum: e-commerce, super/hypermarkets, tranzactii bancare si financiare, gata de a fi
analizate pentru a se lua decizia optima
 sanatate (domeniul medical si farmaceutic): aceste date au fost partial analizate cu metode
specific medicale si contin o mare cantitate de informatie inca neexplorata
 cercetare stiintifica (astronomie, meteorologie, biologie, lingvistica, etc.): exista un volum
mare de date care nu pot fi explorate cu metode traditionale
 procesarea limbajelor naturale: D. Rumelhart si J. McClelland au introdus retelele neuronale
in domeniul procesarii limbajului natural. Prin procesarea unui limbaj natural, vom intelege
studiul modului de constructie a regulilor unui limbaj. Cei doi specialisti au studiat acest
proces cu ajutorul unei retele neuronale capabile sa invete timpul trecut al limbii engleze.
Invatand, reteaua neuronala a progresat din faza unui incepator pana la o faza de specialist in
care era capabila de a determina timpul trecut pentru verbe neregulate. Abilitatea retelei
neuronale de a generaliza pe baza unor date incomplete si de a se auto-organiza, au permis ca
reteaua neuronala sa genereze raspunsuri corecte cand i s-a prezentat un verb nou sau
necunoscut
 recunoasterea caracterelor (scrisului de mana): Cercetatori ai companiei Nestor Inc. Din SUA
au dezvoltat un sistem de calcul neuronal care are ca dispozitiv de intrare a datelor o tableta
pe care se pate scrie. Reteaua a fost antrenata cu diverse scrisuri de mana, ea fiindcapabila sa
interpreteze un scris de mana oarecare cu o inalta acuitate
 recunoasterea formelor (pattern recognition): in clasificarea tintelor radar; in domeniul
controlului industrial
 modelarea economico-financiara, cu scop de a permite analize si prognoze eficiente.
Determinarea unor elemente de tendinta economico-financiara cum ar fi consum, pret,
inflatie, volum de vanzari, necesar de aprovizionat, etc. sunt in general greu de abordat
datorita numarului mare de parametri si a imprevizibilitatii lor
 detectarea fraudelor (in tranzactii cu cartea de credit).