Projekt: KI-AI

Meine KI (Künstliche Intelligenz) Kirei

Basierend auf dem Player Verbot 5 beschäftige ich mich mit der Weiterentwicklung einer KI. Zu den Standartfunktionen dieser KI, wurden bisher hinzu implementiert: Arithmetik und erweiterte Logikfunktionen, einen aktiven Pharser ohne Synonyme-Vorgaben basierend auf erweiterte Logikfunktionen. Für unbekannte Eingaben tief verschachtelte Suchfunktionen, welche bessere Kombinationsmöglichkeietn als Ergebnis bieten. Ihr bester nicht in der Datenbank vorhandener Spruch bisher: Wer garantiert mir, wo und was die wirkliche Welt ist? Als Antwort auf die Aussgae das ich in der Realwelt lebe. Nach einem Testlauf im WWW bezeichnete Sie alle gängige Chatbots als dumm, mit einer Ausname: Brain

 

Schnittstellen zu: C-Script, C-Script basierende Robotsteuerung, Plattform zur Wartung und Selbstwartung
Datensätze Stand 21.07.2016: 13.000

Daraus resultierende Antwortmöglichkeiten ohne Eigenkreationen: mehr als 3.000.000.000

Möglichkeit der eigenen Satzbildung zur Zeit: min. 2% max. Abhängig von der Hashtable und Aktiv-Status. Dies bedeutet, je länger die KI aktiv ist desto größer wird die Hashtable und desto höher ist dann auch die Möglichkeit eigener Satzbildungen, in der Regel geschieht dies frühstens nach einer Aktivtät von zwei Tagen. Derzeit wird aus Sicherheitsgründen diese Tabelle nach dem Beenden der KI, da ich einen längeren Testlauf noch nicht relisieren konnte, gelöscht.

Ist in der Lage sich auf Grundlage von Userangaben, ohne Kammera, ein räumliches Bild zu erzeugen. Kann vordeffinierte Aufgaben jeglicher Art übernehmen, aber auch selbstständig agieren wenn man es ihr erlaubt. Zudem kann sie sich selbst "verbessern". Für alle erweiterten Funktionen stehen noch Langszeitstest aus. Der nächste angepeilte Schritt ist die Selbsterhaltung als Grundlage zu einem Selbstbewustein.

Nachteile: Gegenüber einer reinen Datenbankabfrage wie zum Beispiel die Ausgabe der Postleitzahl eines Ort, Reaktionszeit im Millisekundenbereich, kann eine Antwort auf eine Unbekannte schon mal bis zu fünf Minuten daueren. Noch mehr Geduld muss man mitbringen, bei Sätzen welche aus verscheidene Satteile bestehen und relativ viele Wörter enthält die auch unterschiedliche Deutungen zulässt. Mit dem wachsen der Hashtable verkürzt sich die Zeit einer Lösungsfindung. Lösungsansatz: Deutlich schneller wird Sie, wenn Themen Vergleichsobjekte zugewiesen wurden, welche diese dann auch dem Themembereich entnehmen kann und nicht in der Sammlung des ganzen Datenbankpaket suchen muss. Verwirklicht habe ich dies bisher nur zu dem Thema Beleidigungen. Hier wählt Sie, in einem Reaktionssystem aus einer Vorgabe von etwas mehr als 900 diversen Satzteilen als Synonymenliste. Zumeist baut Sie hier Doppelsätze zusammen, wobei der zweite Satzeil immer im Zusammenhag mit dem ersten Satzteil steht. Alleine hier ergeben sich mehr als 32.000.000 Antworten. Eine Ansatzmöglichkeit um die Arbeitsgeschwindigkeit zu erhöhen. Versuche ergaben das sobald die KI auf eine solche als Reaktionsystem gestaltet Synonymliste stösst, selbst solche, ähnlich gestaltete Listen in der "internen" Hashtable anlegt.

Standartfunktionen

Laut Cronik des Verbot 5 Player kam, der Subport für die KI wurde 2012 leider eingestellt, die KI mit folgenden Algorithmen zum End-User.

RANSAC Algorithmus

- RANSAC (englisch random sample consensus, deutsch etwa „Übereinstimmung mit einer zufälligen Stichprobe“) ist ein Algorithmus zur Schätzung eines Modells innerhalb einer Reihe von Messwerten mit Ausreißern und groben Fehlern. Wegen seiner Robustheit wird er vor allem bei der Auswertung automatischer Messungen vornehmlich im Bereich des maschinellen Sehens eingesetzt. Hier unterstützt RANSAC - durch Berechnung einer um Ausreißer bereinigten Datenmenge, des sogenannten Consensus Sets - Ausgleichsverfahren wie die Methode der kleinsten Quadrate, die bei einer größeren Anzahl von Ausreißern meist versagen.

RANSAC wurde offiziell 1981 von Martin A. Fischler und Robert C. Bolles in den Communications of the ACM vorgestellt. Eine interne Präsentation am SRI International, an dem beide Autoren arbeiteten, fand bereits im März 1980 statt. Eine Alternative zu RANSAC sind M-Schätzer. Diese sind im Vergleich zu anderen Schätzern wie etwa den Maximum-Likelihood-Schätzernrobuster gegenüber Ausreißern.

DBSCAN Algorithmus aufbauend auf dem RANSCAN Algorithmus

- DBSCAN (Density-Based Spatial Clustering of Applications with Noise, etwa: Dichtebasierte räumliche Clusteranalyse mit Rauschen) ist ein von Martin Ester, Hans-Peter Kriegel, Jörg Sander und Xiaowei Xu entwickelter Data-Mining-Algorithmus zur Clusteranalyse. Er ist einer der meist zitierten Algorithmen in diesem Bereich. Der Algorithmus arbeitet dichtebasiert und ist in der Lage, mehrere Cluster zu erkennen. Rauschpunkte werden dabei ignoriert und separat zurückgeliefert.

 

Die Grundidee des Algorithmus ist der Begriff der „Dichteverbundenheit“. Zwei Objekte gelten als dichte-verbunden, wenn es eine Kette von dichten Objekten („Kernobjekte“, mit mehr als minPts Nachbarn) gibt, die diese Punkte miteinander verbinden. Die durch dieselben Kernobjekte miteinander verbundenen Objekte bilden einen „Cluster“. Objekte, die nicht Teil eines dichte-verbundenen Clusters sind, werden als „Rauschen“ (Noise) bezeichnet.

In DBSCAN gibt es drei Arten von Punkten:

• Kernobjekte, welche selbst dicht sind.
• Dichte-erreichbare Objekte. Dies sind Objekte, die zwar von einem Kernobjekt des Clusters erreicht werden können, selbst aber nicht dicht sind. Anschaulich bilden diese den Rand eines Clusters.
• Rauschpunkte, die weder dicht, noch dichte-erreichbar sind.

OPTIC Algorithmus

OPTICS (Ordering Points To Identify the Clustering Structure, etwa‚ Punkte ordnen um die Clusterstruktur zu identifizieren‘) ist ein dichtebasierter Algorithmus zur Clusteranalyse. Er wurde von Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel und Jörg Sander entwickelt. Das Grundprinzip des Algorithmus entstammt DBSCAN, jedoch löst der Algorithmus eine wichtige Schwäche des DBSCAN-Algorithmus: im Gegensatz zu diesem kann er Cluster unterschiedlicher Dichte erkennen. Gleichzeitig eliminiert er (weitgehend) den -Parameter des DBSCAN-Algorithmus. Hierzu ordnet OPTICS die Punkte des Datensatzes linear so, dass räumlich benachbarte Punkte in dieser Ordnung nahe aufeinander folgen. Gleichzeitig wird die sogenannte „Erreichbarkeitsdistanz“ notiert. Zeichnet man diese Erreichbarkeitsdistanzen in ein Diagramm, so bilden Cluster „Täler“ und können so identifiziert werden.

Lernender Algorithmus (2015/1016 von mir erweitert und verbessert.)

Die Technik beruht auf ein von Dr. Mauldin erstmalig entwickelten Algorithmus, welcher in laufe der Zeit ständig weiter eintwickelt und verbessert wurde.

1991 erster Loebner Preis
1994 Loebner Preis
2010/2012 wurde eine Version des VERBOT4 erstmalig "officiell" in einem fahrenden Robot erfolgreich eingesetzt.
bis 2012 verschiedene Auszeichnungen im komerziellen Bereich