Інтелектуальні технології в робототехніці - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти Перший (бакалаврський)
Галузь знань 12 Інформаційні технології
Спеціальність 126 Інформаційні системи та технології
Освітня програма Інформаційне забезпечення робототехнічних систем
Статус дисципліни Нормативна
Форма навчання очна(денна)
Рік підготовки, семестр 4 курс, осінній семестр
Обсяг дисципліни 105 год
Семестровий контроль/ контрольні заходи Залік, МКР
Розклад занять
Мова викладання Українська
Інформація про
керівника курсу / викладачів		 к.т.н., доц. Олійник В.В., oliinyk.volodymyr@gmail.com
Розміщення курсу https://campus.kpi.ua

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Розвиток сучасних інформаційних систем йде саме в напрямку їх інтелектуалізації, що дозволяє розширити традиційні можливості, застосовувати для задач, що раніше могли вирішуватися виключно людиною. Курс є базовим для інших спеціалізованих технологій штучного інтелекту і дозволяє скласти загальне уявлення про структуру та можливості інтелектуальних технологій та їх практичного застосування в робототехніці.

Метою навчальної дисципліни є формування та закріплення у студентів наступних компетентностей: (КЗ 3) Здатність до розуміння предметної області та професійної діяльності; (КС 6) Здатність використовувати сучасні інформаційні системи та технології (виробничі, підтримки прийняття рішень, інтелектуального аналізу даних та інші), методики захисту інформації та кібербезпеки під час виконання функціональних завдань та обов’язків; (КС 15) Здатність до розробки і використання інтелектуальних технологій, методів штучного інтелекту для вирішення прикладних задач і підтримки прийняття рішень в робототехнічних системах; (КС 17) Здатність застосовувати методи синтезу систем управління як методологічної основи інформаційного забезпечення робототехнічних систем і аналізувати показники якості систем управління; (КС 18) Здатність до застосування методів прийняття оптимальних рішень в умовах невизначеності та багатофакторної залежності щодо визначення рішення та ефективності управлінської діяльності.

Предметом дисципліни є: основи штучного інтелекту, основні підходи до побудови інтелектуальних систем; агентний підхід до побудови інтелектуальних систем, мультиагентні системи; принципи побудови систем на основі станів, змінних та знань, їх особливості та сфери застосування; методи пошуку в просторі станів, в умовах протидії та невизначеності; місце навчання в інтелектуальних системах та навчання з підкріпленням; принципи побудови інтелектуальних робототехнічніх систем управління, зокрема в реальному часі.

В результаті вивчення дисципліни слухачі мають знати:

  • роль, місце, тенденції та перспективи інтелектуальних систем;

  • основні методи штучного інтелекту та сфери їх застосування,

  • основні підходи до побудови систем штучного інтелекту та технологій їх розробки;

  • принципи побудови інтелектуальних систем у робототехніці.

В результаті вивчення дисципліни слухачі мають вміти:

  • вибирати раціональні методи та технології штучного інтелекту для розв’язання поставленої задачі.

  • застосовувати технології штучного інтелекту для вирішення практичних задач;

  • програмно реалізовувати методи і моделі штучного інтелекту;

  • розроблювати інтелектуальних агентів;

  • проектувати та використовувати системи, що використовують елементи штучного інтелекту;

  • оцінювати ефективність розроблених інтелектуальних моделей;

  • впроваджувати інтелектуальні компоненти в робототехнічні системи, інтелектуальні системи реального часу.

Програмними результатами навчання є застосовуваня технологій штучного інтелекту для створення інтелектуальних компонентів інформаційних систем (ПР 24)

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Для успішного засвоєння дисципліни необхідні базові знання з вищої та дискретної математики, теорії алгоритмів, теорії імовірності та мат. статистики, навики програмування. Навчання дисципліні відбувається після засвоєння дисциплін «Робототехнічні системи та комплекси» та «Технології інтернета-речей 4.0», що забезпечують вивчення апаратного середовище. Це дозволяє зробити акцент на синтезі систем штучного інтелекту.

Результати навчання даної дисципліни використовують у дипломному проектуванні та у спеціалізованих дисциплінах подальшого циклу підготовки магістрів, зокрема, курсів: Нейротехнології та нейрокомпютерні системи, Теорія нечітких множин в системах управління та прийняття рішень тощо.

Зміст навчальної дисципліни

Тема 1. Основи інтелектуальних технологій

Тема 2. Моделі глибокого навчання в робототехніці

Тема 3. Моделі управління інтелектуальними агентами

Тема 4. Особливості застосування інтелектуальних технологій в робототехніці

Навчальні матеріали та ресурси

Базова література:

  1. Russel S., Norvig P. Artificial Intelligence: A Modern Approach. – ‎ Longman (Pearson Education), 2021. – 1152 с. http://aima.cs.berkeley.edu/

  2. Ямпольський Л.С. Нейротехнології та нейрокомп’ютерні ситеми / Ямпольський Л.С., Лісовиченко О.І., Олійник В.В. // Дорадо-друк, Київ, 2016. ­– 571 с.

  3. Глибовець М.М., Олецький О.В. Штучний інтелект: підручник. – К.: Вид. дім “КМ Академія”, 2002. – 368 с.

Додаткова література:

  1. Ямпольський Л.С. Гнучкі комп’ютерно-інтегровані системи: планування, моделювання, верифікація, управління. Кн. 2. Штучний інтелект в плануванні і керуванні виробничими процесами: підручник / Л.С. Ямпольський, П.П. Мельничук, К.Б .Остапченко, О.І. Лісовиченко – Житомир: ЖДТУ, 2010. – 786 с.

  2. Ямпольський Л.С., Лавров О.А. Штучний інтелект у плануванні та управлінні виробництвом: Підручник. – К.: Вища шк., 1995. – 255 с.

  3. Trevor Hastie, Robert Tibshirani, Jerome Friedman. Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition. Springer, 2009. - 767p.

  4. Daphne Koller, Nir Friedman. Probabilistic Graphical Models: Principles and Techniques. MIT Press, 2009. – 1231 p.

  5. Richard S. Sutton, Andrew G. Barto. Reinforcement Learning : An Introduction MIT Press, Adaptive Computation and Machine Learning Ser.: 2018. - 552 p.

  6. Edward Tsang. Foundations of constraint satisfaction. Academic Press, 1996. - 440p. http://cse.unl.edu/~choueiry/Documents/TsangTextbook/Tsang-Fcs1993-Toc.pdf

  7. Олійник В.В. Нейротехнології та нейрокомп’ютерні системи: методичні вказівки до виконання курсової роботи [Електронний ресурс] : навч. посіб. для студ. спеціальності 126 «Інформаційні системи та технології», освітньої програми «Інформаційне забезпечення робототехнічних систем» / В.В. Олійник, О.І. Лісовиченко ; КПІ ім. Ігоря Сікорського. – Електронні текстові дані (1 файл: 329 Кбайт). – Київ : КПІ ім. Ігоря Сікорського, 2021. – 52 с.

Інші навчальні матеріали та їх електронні версії:

https://drive.google.com/drive/folders/1dZJBOfg\_XfQ7BzVv38ls0097L-smt0N3?usp=sharing

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Вивчення навчальної дисципліни відбувається за наступним планом:

Тема 1. Основи інтелектуальних технологій

Лекція 1. Поняття штучного інтелекту та його місце в робототехніці

Підходи до розуміння інтелекту та поняття штучного інтелекту, сфери застосування інтелектуальних технологій, місце в кібернетиці, сучасний стан та коротка історія, доцільність використання.

Тема 2. Моделі глибокого навчання в робототехніці

Лекція 2. Основи машинного навчання

Основи машинного навчання. Контрольоване навчання. Лінійний предиктор, функція втрат, оптимізація моделей, алгоритм стохастичного градієнтного спуску, нейронні мережі.

Лекція 3. Основи глибокого навчання

Інженерія ознак. Нейронні мережі, узагальнюючі можливості. Інтерпретація результатів навчання. Явище перенавчання і регуляризація.

Лекція 4. Комп'ютерний зір в робототехніці

Основи CV. Згорткові нейронні мережі в задачі класифікації зображень: від основ до сучасних моделей.

Лекція 5. Технології комп’ютерного зору для виявлення об’єктів

Застосування в робототехніці. Особливості задач семантичної сегментації зображення та об’єктів, виявлення об’єктів, основні мережі для виявлення об’єктів: R-CNN, SSD, YOLO.

Лекція 6. ШІ в задачах обробки природної мови

Застосування в робототехніці, подання тексту та аудіо для обробки сучасними моделями глибокого навчання. Основні моделі NLP.

Лекція 7. Діалогова підсистема робота. Автоматичне розпізнавання і синтез природної мови

Загальна схема діалогової підсистеми робота. Особливості роботи аудіо даними. Задача перетворення природної мови в текст. Класична і сучасна end-to-end модель ASR. Алгоритм CTC. Моделі WHISPER та wav2vec. Задача синтезу мовлення. Загальна модель та її складові. Сучасні end-to-end підходи і приклади моделей.

Тема 3. Моделі управління інтелектуальними агентами

Лекція 8. Агентний підхід до створення інтелектуальних систем

Агентно-орієнтований підхід, поняття інтелектуального агента та раціональної поведінки, середовище агента та його види, формалізація агента та середовища, типи агентів, мультиагентна взаємодія.

Лекція 9. Моделі ШІ на основі класичних методів пошуку

Дослідження простору станів. Неінформовані методи пошуку: пошук з поверненням, пошук вшир та вглиб, пошук з обмеженням глибини та з ітеративним заглибленням, пошук за критерієм вартості.

Інформовані методи пошуку: жадібний пошук, А*, рекурсивний пошук за першим найкращим співпадінням, SMA*. Поняття евристичної функції, вимоги до неї, оцінка якості та способи побудови.

Лекція 10. Моделі ШІ на основі Марківських процесів прийняття рішень

Пошук в умовах невизначеності. Поняття марківських процесів. Оцінка стратегій, метод ітеративного оцінювання стратегій. Знаходження оптимальних стратегій: ітерація за цінністю.

Лекція 11. Моделі ШІ на основі навчання з підкріпленням

Суть навчання з підкріпленням. Методи Монте-Карло: модельно-орієнтований та безмодельний. Методи бутсрепінгу: SARSA, Q-навчання. Дослідження невідомого середовища: епсілон-жадібна стратегія. Використання моделей машинного навчання: Deep Q-leraning, Policy Gradient.

Лекція 12. Моделі ШІ на основі пошуку в умовах протидії

Поняття пошуку в умовах протидії. Моделювання ігор. Оцінювання ігор Алгоритми: Expectimax, Minimax, Expectiminimax. Прискорення пошуку: використання функцій оцінки та альфа-бета відсікання. Вихначення оціночних функці шляхом навчання.

Лекція 13. Моделі ШІ на основі знань

Поняття знань та відмінність їх відмінність від даних. Способи подання та обробки знань. Формальна модель подання знань. Моделі на основі продукційних правил, мережеві семантичні моделі, моделі на основі логіки. Системи штучного інтелекту на основі знань.

Лекція 14. Моделі ШІ на великих мовних моделей

Основи і огляд сучасних LLM. Загальні принципи їх навчання та використання в робототехніці. Інженерія запитів та донавчання моделей. Обмеження сучасних моделей та подальші перспективи.

Тема 4. Особливості застосування інтелектуальних технологій в робототехніці

Лекція 15 (гостьова). Практичні аcпекти застосування інтелектуальних технологій в робототехніці

Особливості побудови інтелектуальної системи управління. Інтелектуальні системи реального часу. Мультиагентні інтелектуальних систем. Особливості побудови інтелектуальної системи управління

Інші актуальні питання використання ШІ в робототехніці. (Запрошуються спеціалісти провідних IT-компаній, англомовні матеріали)

Лекція 16. Cучасний стан, проблеми і перспективи ШІ в робототехніці

Напрямки актуальних і перспективних досліджень в ШІ. AGI. Виклики і небезпеки, пов’язані ШІ.

Комп. практикум 1. Моделі глибокого навчання для класифікації зображень.

Знайомство з принципами функціонування, створення, навчання та використання моделей машинного навчання

Комп. практикум 2. Підсистема комп’ютерного зору для виявлення об’єктів

Знайомство з принципами знаходження об’єктів на відео та зображеннях за допомогою технологій глибокого навчання, створення, навчання та використання моделей детектування об’єктів на зображенні..

Комп. практикум 3. Інтелектуальний агент з моделями управління на основі станів

Знайомство з моделями на основі станів та класичними методами пошуку в просторі станів в детермінованих і стохастичних середовищах; дослідити їх використання для управління інтелектуальним агентом в типовому середовищі.

Комп. практикум 4. Інтелектуальний агент в мультиагентному середовищі

Знайомство з методами пошуку в умовах протидії та дослідити їх використання для інтелектуального агента в типовому ігровому середовищі.

Комп. практикум 5. Інтелектуальний агент на основі великих мовних моделей

Знайомство з великими мовними моделями та їх використанні для управління інтелектуальними агентом-роботом.

при вивченні навчальної дисципліни користуються дидактичними засобами, зокрема, комп‘ютерними презентаціями тем лекцій, інтерактивними засобами візуалізації та моделювання алгоритмів, що вивчаються, та зразками коду для їх реалізації. Комп‘ютерні практикуми виконуються на основі методичних матеріалів до їх виконання. При виконанні комп’ютерних практикумів слід використовувати програмне забезпечення – сучасні середовища розробки програмного забезпечення. При цьому студент не обмежується у виборі засобу реалізації поставленої в роботі задачі. Основною вимогою є повнота розв’язання поставленої задачі та можливість демонстрації роботи та отриманих результатів в комп’ютеризованій аудиторії.

Самостійна робота студента/аспіранта

Метою самостійної роботи є засвоєння студентами знань з тем дисципліни та їх закріплення, поглибленого вивчення матеріалу, а також розвиток у студентів навичок самостійної роботи з технологіями штучного інтелекту у межах основних тем.

Обсяг самостійної роботи – 51 год.

На самостійну роботу виносяться наступні питання:

- нейро-фаззі технології;

- застосування технологій штучного інтелекту в сучасних робототехнічних симуляторах;

- реалізація мульти-агентних систем;

- інші сучасні дослідження в області технологій штучного інтелекту.

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Порядок виконання та захисту лабораторих робіт (комп’ютерних практикумів)

Студент виконує комп’ютерні практикуми самостійно або у бригаді з двох осіб (з відповідним збільшенням обсягів роботи та погодження з викладачем та якщо практикум це передбачає).

Демонстрація поточних результатів, обговорення питань по роботам та ін. відбувається за розкладом лабораторних робіт після захисту готових робіт згідно календарного плану їх виконання та в час консультації викладача.

Для захисту студент попередньо надсилає оформлений звіт через Google Class. В процесі захисту студент демонструє програмну реалізацію та відповідає на запитання по роботі та пов’язаному теоретичному матеріалу (3-5 питань). Для успішного захисту практикуму необхідно правильно відповісти принаймні на половину з питань.

При виконанні комп'ютерних практикумів необхідно дотримуватись календарного плану:

КП1 – 4 тиждень

КП2 – 7 тиждень

КП3 –10 тиждень

КП4 – 13 тиждень

КП5 – 16 тиждень

За здачу після встановленого терміну без поважних причин максимальний бал за роботу знижується : -1 бали за кожен наступний тиждень після (але не більше - 6 балів).

Крім того максимальний бал за роботу знижується на 2 бали за кожну «невдалу» спробу захисту (але не більше -4 балів).

За практикуми можна отримати додаткові заохочувальні бали при виконанні додаткових завдань в них. Загальна сума балів за практикум не має перевищувати 20.

Заохочувальні бали

Студент має змогу отримати додаткові заохочувальні бали за виконання завдань із удосконалення дидактичних та навчальних матеріалів, обробку сучасних наукових робіт з дисципліни - надається від 1 до 10 заохочувальних балів.

Політика щодо академічної доброчесності

Усі роботи (комп’ютерні практикуми та МКР) перевіряються на наявність плагіату і допускаються до захисту із коректними текстовими запозиченнями не більше 20%. Роботи що містять більшу кількість до розгляду і оцінювання не приймаються.

Перескладання контрольних заходів відбувається за наявності поважних причин (наприклад, лікарняний) у встановленому або індивідуальному порядку.

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента з дисципліни складається з балів, що він отримує за:

  1. виконання 5ти комп’ютерних практикумів;

  2. публічний захист комп’ютерного практикуму

  3. дві модульні контрольні роботи.

Система рейтингових (вагових) балів та критерії оцінювання

1. Виконання комп’ютерних практикумів

Ваговий бал перших чотирьох – 15 балів, п’ятого -10 балів. Максимальна кількість балів на всіх комп’ютерних практикумах дорівнює 15 × 4 + 10= 70 балів.

Складові оцінки:

  • Програмна реалізація алгоритмів – 5 балів

  • Експериментальне дослідження/порівняння алгоритмів – 5 балів

  • Звіт (відповідність структурі, презентація результатів роботи, якість та обґрунтування інформації, висновки) – 5 балів

Макс. бал знижується за здачу після встановленого терміну (-1 бал за кожен наступний тиждень після дедлайну, але не більше - 8 балів).

2. Публічний захист комп’ютерного практикуму

Ваговий бал - 10. Відповідно до складеного на початку семестру плану, студент захищає свою роботу. Оцінка включає:

  • теоретичні знання за темою практикуму – 4 бали

  • обгрунтування прийнятих рішень – 3 бали

  • якість, точність та відповіді – 3 бал

Макс. бал знижується за захист роботи після встановленого терміну (-1 бал за кожен наступний тиждень після дати захисту).

3. Модульний контроль

Ваговий бал – 10. Контроль відбувається у формі тестування 10 питань по 1 балу в кожній МКР. Максимальна кількість балів за всі контрольні роботи дорівнює 10 балів × 2 = 20 балів.

Заохочувальні бали за:

- виконання завдань із удосконалення дидактичних та навчальних матеріалів, обробки сучасних наукових робіт з дисципліни надається від 1 до 10 заохочувальних балів.

Поточний контроль: 2 МКР.

Календарний контроль: провадиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.

Умови позитивної проміжної атестації

Для отримання “зараховано” з першої проміжної атестації (8 тиждень) студент повинен мати не менше ніж 20 балів (на початок 8 тижня згідно з календарним планом контрольних заходів “ідеальний” студент має отримати 40 балів).

Для отримання “зараховано” з другої проміжної атестації (14 тиждень) студент повинен мати не менше ніж 50 балів (на початок 14 тижня згідно з календарним планом контрольних заходів “ідеальний” студент має отримати 80 балів).

Семестровий контроль: залік

Умови допуску до семестрового контролю: зарахування 4х комп’ютерних практикумів і захист роботи.

Розрахунок шкали (R) рейтингу

Сума рейтингових балів за контрольні заходи протягом семестру складає:

RС = 70+10+20 = 100 балів.

Таблиця відповідності рейтингових балів оцінкам за університетською шкалою:

Кількість балів Оцінка
100-95 Відмінно
94-85 Дуже добре
84-75 Добре
74-65 Задовільно
64-60 Достатньо
Менше 60 Незадовільно
Не виконані умови допуску Не допущено

Додаткова інформація з дисципліни (освітнього компонента)

Передбачена можливість зарахування сертифікатів проходження дистанційних чи онлайн курсів по технологіям штучного інтелекту відповідного рівня за умови відповідності програми не менше ніж на 60%. Остаточне рішення по кожному сертифікату приймається викладачем з урахуванням вказаних вимог.

Робочу програму навчальної дисципліни (силабус):

Складено доцентом кафедри ІСТ, к.т.н., доц. Олійником В.В.

Ухвалено кафедрою ІСТ (протокол № 17 від 26.06.2024)

Погоджено Методичною комісією факультету (протокол № 10 від 21.06.2024)