Μετάβαση στο περιεχόμενο

Τεχνητή Νοημοσύνη — Σεπτέμβριος 2020 (online κουίζ)

1.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 1 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1 βαθμός)

Αν εφαρμόσουμε την μέθοδο ‘αλυσίδωση προς τα εμπρός’ (forward chaining) και την μέθοδο ‘αλυσίδωση προς τα πίσω’ (backward chaining) σε μια βάση κανόνων για να εξάγουμε το ίδιο αποτέλεσμα, ποιο από τα παρακάτω ισχύει (όπου ο όρος «πιο αποδοτική» σημαίνει πυροδότηση λιγότερων κανόνων);

  • [ ] Η αλυσίδωση προς τα εμπρός είναι σίγουρα πιό αποδοτική
  • [ ] Η αλυσίδωση προς τα πίσω είναι σίγουρα πιό αποδοτική
  • [ ] Η αλυσίδωση προς τα εμπρός είναι πιθανότατα πιό αποδοτική
  • [ ] Η αλυσίδωση προς τα πίσω είναι πιθανότατα πιό αποδοτική

2.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 2 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1 βαθμός)

Με ποια από τις παρακάτω προτάσεις ΚΛ αναπαρίσταται το «καθένας έχει ακριβώς μία μητέρα»;

  • [ ] \((\exists y)\ (\forall x)\ (\text{μητέρα}(y,x) \land (\forall z)\ (\text{μητέρα}(z,x) \Rightarrow z=y))\)
  • [ ] \((\forall x)(\forall z)\ (\exists y)\ (\text{μητέρα}(y,x) \land (\text{μητέρα}(z,x) \Rightarrow z=y))\)
  • [ ] \((\forall x)\ (\exists y)\ (\text{μητέρα}(y,x) \land (\forall z)\ (\text{μητέρα}(z,x) \Rightarrow z=y))\)
  • [ ] \((\forall x)\ (\forall y)\ (\forall z)\ ((\text{μητέρα}(y,x) \land \neg \text{μητέρα}(z,x)) \lor (\text{μητέρα}(y,x) \land z=y))\)

3.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 3 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1 βαθμός)

Η Κανονική Συζευκτική Μορφή της πρότασης \((p \lor q) \Rightarrow r\) είναι η εξής:

  • [ ] \((\neg p \lor r) \land (\neg q \lor r)\)
  • [ ] \(p \lor q \lor \neg r\)
  • [ ] \((\neg p \land r) \lor (\neg q \land r)\)
  • [ ] \(p \land q \land \neg r\)

4.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 4 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1 βαθμός)

Η μέθοδος των συντελεστών βεβαιότητας για τον χειρισμό αβέβαιης γνώσης με κανόνες

  • [ ] στηρίζεται σε μαθηματικά θεμελιωμένη θεωρία.
  • [ ] είναι μια εμπειρική μέθοδος.
  • [ ] είναι ψευδο-πιθανοτική μέθοδος.
  • [ ] έχει θεμελιωθεί στην θεωρία των πιθανοτήτων.

5.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 5 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1 βαθμός)

Η Κανονική Συζευκτική Μορφή της πρότασης \(p \Rightarrow (q \land r)\) είναι η εξής:

  • [ ] \(\neg p \land q \land r\)
  • [ ] \(\neg p \lor q \lor r\)
  • [ ] \((\neg p \land q) \lor (\neg p \land r)\)
  • [ ] \((\neg p \lor q) \land (\neg p \lor r)\)

6.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 6 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1 βαθμός)

Ο τύπος Κατηγορηματικής Λογικής «\((\forall x)\ (\exists y)\ (\text{αγαπά}(x,y)) \land (\exists z)\ (\forall w)\ (\text{αγαπά}(w,z))\)», μετά την εξάλειψη των υπαρξιακών ποσοδεικτών μετασχηματίζεται στην (τα C, D είναι σταθερές και τα f, g είναι συναρτήσεις):

  • [ ] \((\forall x)\ (\text{αγαπά}(x,C)) \land (\forall w)\ (\text{αγαπά}(w,D))\)
  • [ ] \((\forall x)\ (\text{αγαπά}(x,f(x))) \land (\forall w)\ (\text{αγαπά}(w,g(w)))\)
  • [ ] \((\forall x)\ (\text{αγαπά}(x,C)) \land (\forall w)\ (\text{αγαπά}(w,g(w)))\)
  • [ ] \((\forall x)\ (\text{αγαπά}(x,f(x))) \land (\forall w)\ (\text{αγαπά}(w,D))\)

7.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 7 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 2 βαθμοί)

Σε ένα σύστημα κανόνων που χρησιμοποιεί συντελεστές βεβαιότητας, υπάρχουν οι παρακάτω δύο κανόνες:

R1 R2
if shape is long

then fruit is pear (0.4)		 if shape is long

and color is yellow

then fruit is pear (0.6)

Δίνονται τα εξής δεδομένα: “shape is long (0.8)”, “color is yellow (0.7)”. Μετά την ενεργοποίηση/πυροδότηση των κανόνων, στην μνήμη εργασίας θα αποθηκευτεί το εξής αποτέλεσμα: ME ={ fruit is pear (CF12)}. Ποιο από τα παρακάτω είναι η τιμή του CF12;

  • [ ] 0.32
  • [ ] 0.42
  • [ ] 0.6056
  • [ ] 0.8744

8.png

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ-ΣΕΠΤΕΜΒΡΙΟΣ 2020 (CEID_NY451)
Προβολή Άσκησης

ΛΟΓΙΚΗ-ΚΑΝΟΝΕΣ

Ερώτηση 8 / 8 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 1.50 βαθμοί)

Δίνονται οι παρακάτω προτάσεις σε προτασιακή μορφή:
(1) {R, ¬Q, ¬P}
(2) {R, ¬Q, ¬T}
(3) {Q}
(4) {P, ¬S}
(5) {Q, ¬T}
(6) {S}
(7) {¬R}

Για να αποδείξουμε ότι το σύνολο αυτό είναι μη ικανοποιήσιμο, εφαρμόζουμε την διαδικασία της αντίφασης της επίλυσης με στρατηγική ελέγχου την P1 Επίλυση. Η προς απόδειξη πρόταση ήταν η R, η οποία έχει εισαχθεί στο σύνολο ως {¬R}. Ποια από τις παρακάτω ακολουθίες επιλύσεων θα προκύψει (όπου π.χ. (7)-(1) \(\Rightarrow\) (8) σημαίνει επίλυση των (7) και (1) και παραγωγή της (8));

  • [ ] (7)-(1) \(\Rightarrow\) (8), (8)-(5) \(\Rightarrow\) (9), (9)-(4) \(\Rightarrow\) (10), (10)-(6) \(\Rightarrow\) {}
  • [ ] (7)-(1) \(\Rightarrow\) (8), (8)-(3) \(\Rightarrow\) (9), (9)-(4) \(\Rightarrow\) (10), (10)-(6) \(\Rightarrow\) {}
  • [ ] (3)-(1) \(\Rightarrow\) (8), (6)-(4) \(\Rightarrow\) (9), (9)-(8) \(\Rightarrow\) (10), (10)-(7) \(\Rightarrow\) {}
  • [ ] (7)-(2) \(\Rightarrow\) (8), (8)-(5) \(\Rightarrow\) (9), (9)-(4) \(\Rightarrow\) (10), (10)-(6) \(\Rightarrow\) {}

Επιπλέον πηγές χωρίς μεταγραφή εδώ (λύσεις → 2020-09.solutions.md, ή διπλότυπες φωτογραφίες της ίδιας σελίδας): 33.png, 20210205_225457.jpg, 28.png, 26.png, TN_THEMATA.pdf, TN.Sept.2020.zip, TN.Sept.2020/TN.Sept.2020/1.png, TN.Sept.2020/TN.Sept.2020/2.png, TN.Sept.2020/TN.Sept.2020/3.png, TN.Sept.2020/TN.Sept.2020/4.png, TN.Sept.2020/TN.Sept.2020/5.png, TN.Sept.2020/TN.Sept.2020/6.png, TN.Sept.2020/TN.Sept.2020/7.png, TN.Sept.2020/TN.Sept.2020/8.png

Λύσεις (⚪ AI, μη επαληθευμένο)

Κατάσταση: ⚪ AI, μη επαληθευμένο Πηγή: λύσεις AI (gemini-3.7-flash, sonnet), ανεξάρτητη επανάληψη και αντιπαραβολή· καμία δεν έχει ελεγχθεί από άνθρωπο

Προσοχή

Λύση από AI — ελέγξτε την· δεν έχει επαληθευτεί από άνθρωπο. Η ένδειξη «δύο λύσεις συμφωνούν» δεν σημαίνει ότι η απάντηση είναι σωστή.

AI λύσεις — 2020-09

Οι λύσεις γράφτηκαν από μοντέλα AI και δεν έχουν ελεγχθεί από άνθρωπο. Η αρίθμηση ακολουθεί το αρχείο θεμάτων.

Θέμα 1

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: χαμηλή

Όταν ο στόχος (το ζητούμενο συμπέρασμα) είναι συγκεκριμένος, η αλυσίδωση προς τα πίσω εξετάζει μόνο κανόνες σχετικούς με τον στόχο, ενώ η προς τα εμπρός πυροδοτεί κάθε εφαρμόσιμο κανόνα, και σχετικούς και άσχετους. Δεν είναι όμως «σίγουρο» (εξαρτάται από τη βάση), άρα: 4η επιλογή — η αλυσίδωση προς τα πίσω είναι πιθανότατα πιο αποδοτική. (Η ερώτηση είναι διατυπωμένη γενικά· η επιλογή βασίζεται στη συνηθισμένη θέση ότι ο στόχος κατευθύνει την αναζήτηση.)

Θέμα 2

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή

Χρειάζεται: για κάθε \(x\) υπάρχει \(y\) που είναι μητέρα του και κάθε μητέρα \(z\) του \(x\) ταυτίζεται με το \(y\) (ύπαρξη + μοναδικότητα). Αυτό είναι η 3η επιλογή: \((\forall x)(\exists y)(\text{μητέρα}(y,x) \land (\forall z)(\text{μητέρα}(z,x)\Rightarrow z=y))\). Η 1η λέει ότι υπάρχει μία μητέρα όλων, η 2η έχει το \(\exists y\) μέσα στο \(\forall z\) (η μοναδικότητα μπορεί να αποτύχει), η 4η είναι αλλοιωμένη.

Θέμα 3

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή

\((p\lor q)\Rightarrow r \equiv \neg(p\lor q)\lor r \equiv (\neg p\land\neg q)\lor r \equiv (\neg p\lor r)\land(\neg q\lor r)\). 1η επιλογή.

Θέμα 4

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: χαμηλή

Οι συντελεστές βεβαιότητας είναι ένας ad hoc / εμπειρικός μηχανισμός (τα ΣΒ δεν είναι πιθανότητες· οι τύποι συνδυασμού επιλέχθηκαν ώστε να δίνουν εύλογη συμπεριφορά και όχι από αξιωματικό σύστημα). Οι επιλογές «εμπειρική» και «ψευδο-πιθανοτική» είναι και οι δύο υποστηρίξιμες· επιλέγω 2η επιλογή: είναι μια εμπειρική μέθοδος. (Η 1η και η 4η είναι σίγουρα λάθος.)

Θέμα 5

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή

\(p\Rightarrow(q\land r) \equiv \neg p\lor(q\land r) \equiv (\neg p\lor q)\land(\neg p\lor r)\). 4η επιλογή.

Θέμα 6

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή

Το \(\exists y\) βρίσκεται μέσα στο εύρος του \(\forall x\), άρα \(y = f(x)\) (συνάρτηση Skolem). Το \(\exists z\) είναι στο δεύτερο σκέλος, εκτός οποιουδήποτε \(\forall\) (το \(\forall w\) είναι μέσα στο \(\exists z\)), άρα \(z = D\) (σταθερά). Έτσι: \((\forall x)\,\text{αγαπά}(x,f(x)) \land (\forall w)\,\text{αγαπά}(w,D)\) — 4η επιλογή.

Θέμα 7

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή

  • R1: \(0.4 \times 0.8 = 0.32\)
  • R2: \(0.6 \times \min(0.8, 0.7) = 0.6\times 0.7 = 0.42\)
  • Συνδυασμός για το ίδιο συμπέρασμα: \(0.32 + 0.42 - 0.32\cdot 0.42 = 0.74 - 0.1344 = 0.6056\)

Επαλήθευση με Python. CF12 = 0.6056 (3η επιλογή).

Θέμα 8

Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή

Η P1 επίλυση απαιτεί να είναι ο ένας γονέας θετική πρόταση (χωρίς αρνητικά literals). Θετικές είναι οι (3) \(\{Q\}\) και (6) \(\{S\}\). Η 1η, 2η και 4η επιλογή ξεκινούν με (7)-(1) ή (7)-(2), όπου ο \(\{\neg R\}\) και οι (1), (2) δεν είναι θετικές: παραβιάζουν P1. Η 3η επιλογή:

  • (3)-(1): \(\{Q\}\) με \(\{R,\neg Q,\neg P\}\) ⇒ (8) \(\{R,\neg P\}\)
  • (6)-(4): \(\{S\}\) με \(\{P,\neg S\}\) ⇒ (9) \(\{P\}\)
  • (9)-(8): \(\{P\}\) με \(\{R,\neg P\}\) ⇒ (10) \(\{R\}\)
  • (10)-(7): \(\{R\}\) με \(\{\neg R\}\) ⇒ \(\{\}\)

(Έλεγχος και με Python.) 3η επιλογή.

✔ Επιβεβαίωσε · ✖ Βρήκα λάθος

✖ Βρήκα λάθος στη μεταγραφή