Beágyazott intelligens rendszerek. Aktivitások felismerése

Hasonló dokumentumok
Probabilisztikus modellek II: Inferencia. Nagy Dávid

Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére

A maximum likelihood becslésről

[Biomatematika 2] Orvosi biometria

Modellkiválasztás és struktúrák tanulása

Heckman modell. Szelekciós modellek alkalmazásai.

Adaptív menetrendezés ADP algoritmus alkalmazásával

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Kettőnél több csoport vizsgálata. Makara B. Gábor

Biológiai rendszerek modellellenőrzése bayesi megközelítésben

Intelligens ágensek. Mesterséges intelligencia február 28.

Normális eloszlás tesztje

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Hálózati operációs rendszerek II. OES biztonsági rendszere

Bizonytalan tudás kezelése

Asszociációs szabályok

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

A TÁRSADALOM KULTURÁLIS HATÁSAI A KKV VEZETŐK GONDOLKODÁSI ÉS VISELKEDÉSI MINTÁZATÁRA

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

Bizonytalanság. Mesterséges intelligencia április 4.

Funkcionális konnektivitás vizsgálata fmri adatok alapján

BDI architektúra, AgentSpeak(L) és Jason ismertetı Mesterséges intelligencia, Dobrowiecki T., BME-MIT

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Biostatisztika VIII. Mátyus László. 19 October

Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)

Mérési struktúrák

Matematika alapjai; Feladatok

Regressziós vizsgálatok

Válogatott fejezetek a közlekedésgazdaságtanból

Mesterséges Intelligencia MI

Hidden Markov Model. March 12, 2013

Dr. Sasvári Péter Egyetemi docens





Debreceni Egyetem Matematikai és Informatikai Intézet. 13. Védelem

Megerősítéses tanulás

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Least Squares becslés

1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018

4. Lokalizáció Magyar Attila

A KOGNITÍV PSZICHOTERÁPIA ALAPJAI 1. Perczel Forintos Dóra Semmelweis Egyetem Klinikai Pszichológia Tanszék 2010

Autóipari beágyazott rendszerek. Integrált és szétcsatolt rendszerek

Szoftverminőségbiztosítás

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Intelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei

Az első számjegyek Benford törvénye

Pozícióinformáció. Sikeres helyfüggő szolgáltatások mobilra

A Statisztika alapjai

Intelligens adatelemzés

Méhzümmögés és Dühroham avagy a figyelemzavar tünetei. Reményi Tamás november 25.

Kísérlettervezés alapfogalmak

Követelmény a 7. évfolyamon félévkor matematikából

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

Fizika óra. Érdekes-e a fizika? Vagy mégsem? A fizikusok számára ez nem kérdés, ők biztosan nem unatkoznak.

Ambiens szabályozás problémája Kontroll és tanulás-1

Véletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

Kétértékű függő változók: alkalmazások Mikroökonometria, 8. hét Bíró Anikó Probit, logit modellek együtthatók értelmezése

Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Az Országos kompetenciamérés (OKM) tartalmi kerete. a 20/2012. (VIII. 31.) EMMI rendelet 3. melléklete alapján

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Logikai ágensek. Mesterséges intelligencia március 21.

ELTE TáTK Közgazdaságtudományi Tanszék MAKROÖKONÓMIA. Készítette: Horváth Áron, Pete Péter. Szakmai felelős: Pete Péter

MIT JELENT A MODELL ALKALMAZÁSA A SZERVEZET, A MENEDZSMENT, A VEZETŐ SZAKEMBEREK, A TEAM, A SEGÍTŐK ÉS A TÁMOGATÁST IGÉNYBE VEVŐK SZINTJÉN

Átlag (standard hiba)

Regresszió. Fő cél: jóslás Történhet:

Mesterséges Intelligencia MI

Algoritmusok és adatszerkezetek II.

Intelligens beágyazott rendszer üvegházak irányításában

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

A SIKER KOVÁCSA, VAGY A KUDARC KÓDJA?

Szavazási protokollok - közös preferencia kialakítása

Egy feladat megoldása Geogebra segítségével

HONVÉDELMI ISMERETEK ÁGAZATI SZAKMAI ÉRETTSÉGI VIZSGA II. A VIZSGA LEÍRÁSA

Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana. Domokos Tamás, módszertani igazgató

Work measurement. Mozgáskódokra épülő folyamatfelmérés. Lengyel Kristóf CMC jelölt prezentáció

Matematikai geodéziai számítások 6.

Viselkedés-diagnosztika. Tanuláslélektani alapelvek

Algoritmuselmélet 2. előadás

Mesterséges Intelligencia I.

Matematikai geodéziai számítások 6.

A demográfiai öregedésről: konvencionális és új mérőeszközökkel Spéder Zsolt

Populációbecslések és monitoring

Jason platform. Intelligens Elosztott Rendszerek BME-MIT, 2018

Egyéni fejlődési utak. tanári kompetenciák. Mindenki társadalma, mindenki iskolája. A tanári szerep

Matematika A 9. szakiskolai évfolyam. 13. modul SZÖVEGES FELADATOK. Készítette: Vidra Gábor

Fókuszban az együttműködés. Intelligens Elosztott Rendszerek BME-MIT, 2018

2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit.

Ágensek bevezető áttekintés:

1. hét Bevezetés. Piaci struktúrák elemzése a közgazdaságtanban. Az SCP modell. Piaci koncentráció és piaci hatalom mérése.

BitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján. Hegedűs István

13. Tanulás elosztott rendszerekben/1. Intelligens Elosztott Rendszerek BME-MIT, 2017

Átírás:

Beágyazott intelligens rendszerek Aktivitások felismerése

Tervfelismerés Fizikai mozgás Mozgás szenzor jelei Viselkedések Futás, megfogás, emelés, Tervek Egy pohár vizet szerezni Célok Szomjúság csillapítása AAL AAC - emberi viselkedés megértése szenzor információ alapján - emberi modellek tanulása - ötletadás, segítségnyújtás - emberi gondozók riasztása, teendőkre utalás,... Tervfelismerési probléma dimenziói Leselkedő interaktív Leselkedő (keyhole) Meghatározni, hogy az ágens cselekvései hogyan járulnak hozzá a feltételezett céljaihoz Modell: világ ágens hiedelmei megfigyelő modellje nincs Interaktív (kooperatív) Ágens szándékosan jelzi másoknak a hiedelmeit és a kívánalmait (ACL, beszéd aktusok - inform, request, ) Párbeszéd konvenciók Együttműködés alakulása

Tervfelismerés Tervfelismerési probléma dimenziói Ideális hibázó ágensek - elhibázott hiedelmek - kognitív hibák (kognitív képességek nem megfelelő használata) - irracionális viselkedések Megbízható nem megbízható megfigyelések Zárt nyitott világok Rögzített tervtár? Rögzített célhalmaz? Cselekvések természetes nem természetes időzítése Egyedi többszörös egyidejű tervek Kívánt eredmény: - konzisztens tervek, vagy célok halmaza? - a leginkább valószínű terv, vagy cél? - a legkritikusabb terv, vagy cél? - beavatkozások a megfigyelt ágens (tervének, céljának) megsegítésére, vagy ellehetetlenítésére? Megközelítések: - konzisztencia alapú - valószínűségi alapú Tervfelismerés = abduktiv magyarázatadás minimális (a legvalószínűbb) magyarázatok szerkesztése

Problémák szándékfelismeréssel HC AmI-ben Tervek (célok) elhagyása: minden emberre jellemző szándékos, tudatos: megváltozott körülmények, - nem szándékos: figyelemelterelés, felejtés,... (pl. telefon gyógyszerszedés közepette, figyelmeztetéshez fel kell először ismerni, hogy a terv/cél elmaradt) Ellenséges ágensek: szokásos megoldások = kooperatív ágensek, a tervük felismerését nem veszik zokon, sőt segítenek ebben. Paciens = ellenséges ágens, függetlensége érdekében a megfigyelésnek ellenáll. A cselekvések teljes megfigyelhetősége = nem tartható. Nem megfigyelhető cselekvések kikövetkeztetése megfigyelt cselekvések és változások alapján. Sikertelen cselekvések megfigyelése: sikertelen cselekvés egyformán beszédes, ami a rejtett célokat illeti. Részben rendezett tervek: a szokásos emberi tervek (ADL) általában rugalmasak az egyes (elemi) cselekvések tekintetében.

Problémák szándékfelismeréssel HC AmI-ben Többszörös konkurens célok: emberi terekben megszokott (TV + étkezés,...) Nem elég a megfigyelt cselekvéseket legjobban magyarázó, de egyetlenegy célt tudni kiszámítani. Több hatás érdekében végzett cselekvések: emberi terekben megszokott (pl. elmenni otthonról, benyúlni a spájzba,...). Megfigyelés kudarca: cselekvések közé logikusan beékelődő cselekvések hiánya. Következtetés egy cselekvés nem tapasztalásáról igen fontos. Konkrét pozitív bizonyítékok konkrét célokról viszonylag ritkák. Világ(környezet)állapot hatása a tervek végrehajtására: bizonyos tevékenységek, célok erős korrelációja időszakokkal, lokációkkal, emocionális-, kognitív állapotokkal,... Lehetséges többszörös hipotézis rangsorolása: a megfigyelt cselekvéshez nem egyetlenegy magyarázat, hanem a lehetséges magyarázatok rangsorolása.

Pending sets - PHATT Probabilistic Hostile Agent Task Tracker recon break-in clean gain-root steal scan the system to determine vulnerabilities exploit the systems weaknesses to gain entry hide traces of presence on computer escalate privileges export desired data terv: taszkok, rendezés, hatások

Pending sets - PHATT Probabilistic Hostile Agent Task Tracker Pl. a recon megfigyelését meg lehetne magyarázni: (theft) V (vandalism) V (info) de lehetne tovább is... (theft) V (vandalism) V (info) V ((theft) (vandalism)) V ((theft) (info)) V ((info) (vandalism)) V ((info) (theft) (vandalism)) hány célja van a rendszernek?

Pending sets - PHATT Probabilistic Hostile Agent Task Tracker Tervfelismerés: ágens több tervet hajt végre dinamikusan minden pillanatban ágens minden olyan cselekvést hajthat végre, amit a korábbi cselekvései lehetővé tesznek Pillanatnyi helyzet: (Pending Set) az előbbi cselekvések nyomán lehetségessé vált cselekvések halmaza Kiindulás: kiinduló célhalmaz, azokhoz tartozó tervek, azokhoz tartozó végrehajtható elemi cselekvések Ciklus: valamelyik végrehajtható cselekvés végrehajtása, állapotváltozások, végrehajtott cselekvés törlése, új végrehajtható cselekvések hozzáadása

Pending sets - PHATT Probabilistic Hostile Agent Task Tracker Feltételezések a megfigyelésekről: (1) A nem megfigyelt cselekvések számának felső korlátja ismert, (korlát hatása: több alternatíva, jobb probabilisztikus becslés) (2) A megfigyelések helyesek (mi történt és mikor).

A. Nem megfigyelt cselekvések kikövetkeztetése megfigyelt cselekvések alapján Legyen a megfigyelés: (gain-root, mod-webpage) Hacker célja mind a lopás, mind a rongálás, mert a két cselevés két diszjunkt terv része (egyetlenegy cél mindkettőt megmagyarázni nem tudja). Rejtett információ: mindkét cselekvés kiváltója a nem megfigyelt cselekvések! Nem engedélyezett cselekvés: megfigyelt, mielőtt a tervbeli előzményét megfigyeltük volna. Tervkönyvtár: recon és break-in megelőzi a gain-root, vagy a mod-webpage cselekvéseket. Evidencia, hogy: (recon, break-in, mod-webpage) ( recon, break-in, gain-root) tervekkel számolni kell, más szekvenciákat meg lehet nyesni. egyes cselekvéseket könnyű, mást nehezebb elrejteni szenzorok, fúzió, kontextus,

B. Nem megfigyelt cselekvések kikövetkeztetése megfigyelt állapotváltozások alapján Ráció: ha egy cselekvés elrejtése még megy is, elrejteni a következményeit sokkal nehezebb. Legyen a megfigyelés: (recon, break-in, deleted-logs) A törölt log fájlok implikálják a nem megfigyelt clean cselekvés megtörténését. Tervkönyvtár alapján: időben a break-in végrehajtása és a deleted-logs bejelentése között. Megoldás Valószínűségi eloszlás definiálása a Pending Set-ek egész halmaza felett. Megfigyelt és kikövetkezhető cselekvések végrehajtási nyomok azok alapján a célok (hipotézisek) a terv együttesek valószínűségei.

Példa: Legyen a megfigyelt cselekvés: (break-in 1 ) happen(break-in,1) A nem megfigyelt cselekvések számának felső korlátja legyen: 3. A nem engedélyezett cselekvések előzményeinek hozzáadása. Konzisztens (megfigyelés alapján) végrehajtható végrehajtási nyomok szerkesztése: (recon, break-in), konzisztens: (theft) V (vandalism). (recon, break-in, clean), konzisztens: (theft) V (vandalism). (recon, break-in, clean, deleted-logs), konzisztens: (theft) V (vandalism). (recon, break-in, clean, mod-webpage), konzisztens: (vandalism). (recon, break-in, clean, gain-root), konzisztens: (theft). (recon, break-in, recon), konkurrens akármelyik 2 cél a 3-ból. (recon, recon, break-in), konkurrens akármelyik 2 cél a 3-ból. (recon, break-in, recon, clean), konzisztens: ((theft) V (vandalism)) (info). (recon, recon, break-in, clean), konzisztens: ((theft) V (vandalism)) (info). Pending Set1: (clean) (deleted-logs) (mod-webpage) (gain-root)

Legyen a megfigyelt cselekvés: (break-in 1, deleted-logs 2 ) happen(deleted-logs,2) Lehetséges végrehajtási nyomok: (recon, break-in, clean, deleted-logs), konzisztens: (theft) V (vandalism). (recon, recon, break-in, clean, deleted-logs), konzisztens: konkurrens akármelyik 2 cél a 3-ból. (recon, break-in, recon, clean, deleted-logs), konzisztens: =/=. (recon, break-in, clean, recon, deleted-logs), konzisztens: =/=. (recon, break-in, clean, deleted-logs, recon), konzisztens: =/=. (recon, break-in, gain-root, clean, deleted-logs), konzisztens: (theft). (recon, break-in, clean, deleted-logs, gain-root), konzisztens: (theft). (recon, break-in, mod-webpage, clean, deleted-logs), konzisztens: (vandalism) (recon, break-in, clean, deleted-logs, mod-webpage), konzisztens: (vandalism) Pending Set2: (mod-webpage) (gain-root)

Legyen a megfigyelt cselekvés: (break-in 1, deleted-logs 2, gain-root 3 ) happen(gain-root,3) Lehetséges végrehajtási nyomok: (recon, break-in, clean, deleted-logs, gain-root), konzisztens: (theft). (recon, recon, break-in, clean, deleted-logs, gain-root), konzisztens: (theft) (info). (recon, break-in, recon, clean, deleted-logs, gain-root), konzisztens: =/=. (recon, break-in, clean, recon, deleted-logs, gain-root), konzisztens: =/=. (recon, break-in, clean, deleted-logs, recon, gain-root), konzisztens: =/=. Pending Set3: (steal)

Valószínűségek bizonytalanságok kifejezésére Keresett: P(C o) =? = Σ ei P( ei o) ahol a C cél benne van az e i magyarázatban Ennek alapján rangsorolni tudjuk az egyes célokat. A számítás elemei: P(e o) = α P(e) P(o e) P(e) = P(célok) P(tervek célok) P(célok) = Π i P(Ci) P(o e) = P(o 1 e) P(o 2 e, o 1 ) P(o n e, o 1,, o n-1 ) P(o i e, o 1,, o i-1 ) = 1/ PS(D i-1 ) Bayes tétel magyarázatok a célokhoz tartozó tervek (tervrészletek) a célok halmaza független megfigyelés egy n db. megfigyelés sorozat D a hipotetizált tervek részfája, PS a soron lévő Pendig Set, ill. abban feltüntetett cselekvések számossága.