[인공지능][인공지능 개념][인공지능 역사][인공지능 분야][인공지능 문제풀이방법][인공지능 활용사례]인공지능의 개념, 인공지능의 역사, 인공지능의 분야, 인공지능의 문제풀이방법, 인공지능의 활용사례 분석

소개글

[인공지능][인공지능 개념][인공지능 역사][인공지능 분야][인공지능 문제풀이방법][인공지능 활용사례]인공지능의 개념, 인공지능의 역사, 인공지능의 분야, 인공지능의 문제풀이방법, 인공지능의 활용사례 분석에 대한 보고서 자료입니다.

목차

Ⅰ. 개요

Ⅱ. 인공지능의 개념

Ⅲ. 인공지능의 역사
1. 제1기 : 태동기(1943~1951)
2. 제2기 : 초기 관심기(1952~1965)
3. 제3기 : 침체기(1966~1974)
4. 제 4기 : 활성기(1975~1988)

Ⅳ. 인공지능의 분야
1. 자연어 처리 분야
2. 음성 인식 분야
3. 전문가 시스템
4. 영상 처리 분야
5. 로보트 분야
6. 게임과 탐색
7. 학습과 추론

Ⅴ. 인공지능의 문제풀이방법
1. 맹목적 탐색방법
2. 경험적 탐색방법
3. 균일비용탐색(비용)
1) 언덕오르기
2) 최적우선
4. 최소비용 경로를 탐색할 수 있는 알고리즘
1) 균일비용탐색
2) 최적우선
3) A* 알고리즘
5. A* 알고리즘이 최소비용 경로를 탐색하는 것을 보장하려면

Ⅵ. 인공지능의 활용사례

참고문헌

본문내용

대한 정보를 사용하지 않는 방법
넓이우선, 깊이우선, 균일비용 탐색 등
2. 경험적 탐색방법
목표노드에 이르기 위한 정보를 이용해 탐색하는 방법
언덕오르기, 최적우선, A* 알고리즘 등
3. 균일비용탐색(비용)
출발노드로부터 경로비용이 최소인 노드 선택
g(ni) = g(n) + C(n, ni)
g(n) : 출발노드로부터 n까지 경로비용
C(n, ni) : 노드 n에서 노드 ni로 이동하는데 소비되는 비용
1) 언덕오르기
깊이와 유사, 후계노드 중 다음 탐색노드 선택시 (n)에 의해 가장 유망한 노드 선택
h(n) : 목표노드까지의 경로비용
(n) : 경험적 지식에 의한 h(n)의 예측치
2) 최적우선
OPEN리스트 내의 모든 노드를 평가함수 값에 따라 정렬, 가장 유망한 노드가 OPEN의 제일 앞에 위치
h\'(n) : 후계노드 평가함수
A* 알고리즘 : 출발노드로부터 목표노드까지의 최적경로 탐색 위한 것
f(n) = g(n) + h(h) / (n) = g(n) + (n)
f(n) : 출발노드에서 시작, 노드 n을 거쳐 목표노드까지 도달비용
g(n) : 출발노드로부터 노드 n까지의 경로비용
h(n) : 노드 n으로부터 목표노드까지의 경로비용
4. 최소비용 경로를 탐색할 수 있는 알고리즘
균일비용탐색, 최적우선, A* 알고리즘
1) 균일비용탐색
노드 확장하여 후계노드 생성, 부모노드 가리키는 포인터 첨부
경로비용을 구한다. g(ni) = g(n) + C(n, ni)
동일노드가 OPEN에 존재할 때 경로비용보다 크다면 대치, 아니면 무시
동일노드가 CLOSE에 존재시 그 경로비용은 nj의 경로비용보다 작다
OPEN에 저장된 노드들을 경로비용의 오름차순으로 정렬
2) 최적우선
노드 n을 확장해 후계노드 생성, 부모노드인 노드 n가르키는 포인터 첨부
후계노드 중 목표노드 있는지 검사. 존재하면 종료(역 추적)
후계노드의 평가함수를 계산
후계노드들을 OPEN에 삽입, 전체리스트를 평가함수값의 순으로 정렬(가장 유망한 노드가 리스트 선두 위치)
3) A* 알고리즘
OPEN에서 값이 최소인 노드 꺼내어 CLOSE에 넣는다. 이 노드를 n이라 한다.
노드 n을 확장하여 후계노드 생성, 부모노드 가리키는 포인터 첨부
각각 후계노드에 평가함수를 계산해 첨부
각각 후계노드에 대해
동일노드가 OPEN에 존재시
(nold)가 (nk)보다 작다면 (nk)는 버리고 아니면 (nold)를 OPEN에서 제거
동일노드가 CLOSE에 존재시
(n‘old)가 (nk)보다 작다면 (nk)는 버리고 아니면 평가함수를 (nk)로 수정
※ OPEN에서 어떠한 노드를 선택 시 어떠한 노드가 미래에 얼마나 바람직한가()만을 보는 것 아니라 지금까지 어떠한 경로를 거쳐왔는가 고려
5. A* 알고리즘이 최소비용 경로를 탐색하는 것을 보장하려면
(조건) 만일 이 언제나 h보다 큰 값으로 예측하지 않는다면 A* 알고리즘은 최소비용경로를 탐색하는 것을 보장한다.
◈ 탐색공간이 트리가 아닌 그래프 형태일 경우 각각의 탐색방법에서 고려해야 할 사항
Ⅵ. 인공지능의 활용사례
컨테이너 터미널에서의 생산성은 물류비용에 큰 영향을 미치고 있으며, 터미널의 생산성은 특히 본선작업과 밀접한 연관성을 가지고 있다. 따라서 선박의 양적하 작업을 효율적으로 수행하는 것이 터미널의 생산성을 높이는데 결정적인 역할을 하게 되므로 선사 및 터미널의 운영자들은 본선작업계획에 대하여 많은 수의 전문인력을 투입하여 중점관리를 수행하고 있다. 이 분야의 전문가들은 앞으로 일어날 야드상황과 설비상황, 선사의 요구조건, 선박의 양적하 컨테이너 종류와 물량 등의 여러 가지 정보를 고려하여 자신들의 경험을 바탕으로 양적하 계획을 수립하게 된다. 이렇게 계획된 작업순서는 실제 현장의 각 부문에 전달되어 작업자들이 작업을 수행하도록 하는 지침이 된다. 그러나 전문가들의 계획수립은 개개인의 주관적인 판단과 경험에 의존하여 수동 작성됨으로 인해 동일한 내용에 대한 계획을 수립하더라도 그 결과가 전문가마다 달라 통일성과 일관성이 상실되고 작업자의 작업편의성에 대한 고려정도가 다르며 전체적인 작업진행의 고려가 어려워 매우 근시안적인 범위에서의 작업계획이 이루어져 터미널의 생산성과 현장작업에서 혼돈을 가져오게 된다. 그리고 계획자가 수동으로 작업을 계획함으로 인해 계획에 소요되는 시간은 컨테이너의 물량에 따라 다르지만 상당히 많은 시간이 소요된다. 또한 선사의 요구나 작업상의 문제점으로 인해 작업의 재작성이 불가피한 경우에도 위와 같은 시간과 인력의 소모가 필요하다. 이뿐만 아니라 실제작업의 진행시에도 작업자는 계획된 작업순서에 맞추어 작업을 진행하는 것이 아니라 작업자 자신의 작업편의를 위해 임의로 작업순서를 변경하여 작업을 진행함으로 인해 원래 계획된 결과와 다른 작업결과를 낳게 된다. 이러한 상황은 터미널간의 경쟁이 심화되고 있는 시점에서 터미널의 생산성과 경쟁력을 떨어뜨리는 결과를 낳게 된다. 따라서 터미널의 생산성과 경쟁력을 확보하기 위해서는 다양한 상황을 고려한 의사결정의 합리화와 신속한 의사결정을 위한 전산화가 요구된다고 본다.
분석된 제약조건과 전문가의 작업rule을 바탕으로 이를 만족하는 알고리즘을 개발하게 되었는데, 알고리즘에서는 먼저 반드시 만족시켜야 하는 hard constraints를 만족하도록 TC(transfer crane)의 이동경로와 CC(container crane)의 작업순서를 결정하고, 그 다음으로 soft constraints를 최대한 만족하는 개개의 컨테이너의 작업순서를 결정하여 최종적으로 전체적인 TC와 CC의 컨테이너 작업 list를 생성한다. 이 단계가 양적하계획 단계가 된다.
참고문헌
- 마이클 네그네빗스키 저, 김용혁 역(2009), 인공지능 개론, 한빛미디어
- 박충식(2004), 구성적 인공지능, 한국인지과학회
- 송재명(2001), 스필버그의 새영화 인공지능을 통해 본 미래, hackersnews
- 이초식(1994), 인공지능의 철학 , 고려대학교 출판부
- 이봉재(2005), 인공지능과 인간중심주의 :인공지능의 연구방법론에 대한 철학적 해석, 대동철학회
- 최종수(1986), 인공지능의 세계, 방한 출판사

키워드

과학기술,   인공지능,   자동화,   음성 인식,   대체기능