ὅδε οἶκος, ὦ ἑταῖρε, μνημεῖον ἐστιν ζῴων τῶν σοφῶν ἀνδρῶν, καὶ τῶν ἔργων αὐτῶν

ARTIFICIAL INTELLIGENCE Seminar

 

PROGRAM


Plan rada Seminara iz veštačke inteligencije za JUN 2022.



Registraciona forma za učesće, i link na predavanje ako ste već registrovani:
https://miteam.mi.sanu.ac.rs/asset/CW5nJWDSEZDj7p32p
Ukoliko želite samo da gledate predavanje bez mogućnosti aktivnog učešća, prenos će biti dostupan na:
https://miteam.mi.sanu.ac.rs/asset/4LNW8WtML7rLKojoz
Na ovom linku se mogu pronaci kratka uputstva na srpskom i engleskom:
https://miteam.mi.sanu.ac.rs/asset/Kc7qJtEvoMFx9MFnz



SREDA, 01.06.2022. u 19:00, Online
Dragan Doder, Utrecht University Netherlands
GRADUALNE SEMANTIKE ZA TEŽINSKE GRAFOVE ARGUMENTACIJE
Formalna argumentacija je oblast simboličke veštačke inteligencije koja se koristi za rešavanje različitih problema, uključujući donošenje odluka, rasuđivanje sa nepotpunim informacijama i klasifikaciju. Najpopularniji formalizam argumentacije je običan usmereni graf, u kome čvorovi predstavljaju argumente, a ivice predstavljaju napade između argumenata. Gradualna semantika je metod evaluacije snage argumenata u grafovima, čiji je cilj da svakom argumentu dodeli numeričku vrednost koja predstavlja njegovu snagu. U ovom izlaganju, predstaviću opšti pristup za definisanje gradualnih semantika za težinske grafove. Pokazaću da se većina postojećih gradualnih semantika može definisati korišćenjem ovog pristupa, kao i da se on može koristiti za konstruisanje nekoliko novih semantika. Pristup će takođe biti analiziran u odnosu na skup principa iz literature.
U predavanju će biti izloženi neki rezultati iz sledećih radova:
Leila Amgoud, Dragan Doder, Srdjan Vesic: Evaluation of argument strength in attack graphs: Foundations and semantics. Artif. Intell. 302: 103607 (2022)
Leila Amgoud, Dragan Doder: Gradual Semantics Accounting for Varied-Strength Attacks. AAMAS 2019: 1270-1278
Leila Amgoud, Jonathan Ben-Naim, Dragan Doder, Srdjan Vesic: Acceptability Semantics for Weighted Argumentation Frameworks. IJCAI 2017: 56-62

SREDA, 08.06.2022. u 19:00, Online
Vladan Radosavljević, Machine Learning Chapter Lead, Spotify
SISTEM ZA PERSONALIZACIJU POČETNE STRANICE U SPOTIFY
Stotine miliona korisnika sluša audio sadržaj na Spotify-u svakog meseca. Prvi sadržaj koji svi korisnici vide kada otvore Spotify je početna stranica. Početna stranica predstavlja personalizovani prostor gde korisnici mogu da pronađu preporuke plejlista, muzičkih albuma, izvođača, podkasta i još mnogo toga, i sve to prilagođeno individualnim afinitetima korisnika. U ovoj prezentaciji ćemo predstaviti algoritme i tehnike koji se koriste za personalizaciju početne stranice u Spotify. Takođe ćemo diskutovati o metodama koje smo razvili da bismo rešili probleme implementacije personalizovanih rešenja na milionskom broju korisnika.

SREDA, 15.06.2022. u 19:00, Online
Nemanja Milošević, Prirodno-matematički fakultet, Univerzitet u Novom Sadu
NEGATIVNI PATERNI U OBUCI NEURONSKIH MREŽA
Svi modeli supervizovanog mašinskog učenja modeliraju neki vid dedukcije u svom procesu učenja. Na osnovu ulaznih parametara odnosno skrivenih veza (paterna) koji se u njima pojavljuju, algoritmi mašinskog učenja stvaraju interne reprezantacije koje kasnije možemo koristiti za prepoznavanje tih paterna i novih sličnih paterna. Negativno duboko učenje predstavlja dodavanje novih, negativnih paterna u proces obuke neuronskih mreža. Intuitivno, negativni paterni pokušavaju da modeliraju oblik dedukcije sličan ljudskom kao i određeni način pamćenja, koji nam dozvoljava da neuronske mreže obučimo na drugačiji način od uobičajenog. Naime, negativnim paternima modelima dajemo dodatno znanje o nepostojanju određenih paterna u ulaznim podacima, i šta to nepostojanje predstavlja u procesu učenja. U ovoj prezentaciji ćemo detaljno opisati kako se ovakav način učenja može postići, kao i kakve on prednosti donosi u poređenju sa klasičnim vidom obučavanja modela dubokog učenja. Na primeru konvolutivnih neuronskih mreža za klasifikaciju slika pokazaćemo da je obučavanje na ovakav način ne samo moguće već i da u raznim situacijama doprinosi robusnosti i performansama modela neuronskih mreža.

SREDA, 22.06.2022. u 19:00, Online
Tatjana Davidović, Matematički institut SANU
PRIRODA VEZE IZMEĐU METAHEURISTIKIH METODA I VEŠTAČKE INTELIGENCIJE – II deo
Veštačka inteligencija predstavlja skup programskih tehnika koje treba da omoguće računarima i drugim mašinama neke vidove inteligentnog ponašanja, svojstvenih ljudima. Prva istraživanja na ovu temu povezana su sa samim počecima računarstva, na primer, razvoj programa za igranje šaha. Većina problema veštačke inteligencije spada u klasu problema pretrage, koji se dodatno mogu proširiti na probleme prevođenja, prepoznavanje slika, pisanog teksta i govora, ekspertne sisteme, automatske dokazivače teorema, i mnoge druge. Metaheuristike su uopštene metode pretrage koje su inicijalno razvijene za rešavanje problema kombinatorne i kontinualne optimizacije, ali se očigledno mogu koristiti i u veštačkoj inteligenciji. Mogu biti matematički zasnovane ili inspirisane prirodom, mogu konstruisati nova i potencijalno bolja rešenja ili vršiti transformacije već postojećih rešenja u cilju njihove popravke. Takođe, razlikujemo metode koje tokom rada koriste jedno rešenje i one koje rade nad populacijom rešenja. U prvom delu predavanja predstavljene su neke metaheurističke metode i istaknuto je da ih u kontekstu veštačke inteligencije treba razmatrati na tri načina: 1) kao ravnopravne metode veštačke inteligencije (primenjivane su na problem klasterovanja, zadovoljivosti, problem odlučivanja, probleme zadovoljenja ograničenja i sl.); 2) kao pomoćne tehnike prilikom dizajniranja standardnih metoda veštačke inteligencije, na primer za podešavanje (hiper|meta)-parametera koji utiču na performance; 3) kao predmet primene metoda veštačke inteligencije, pre svega mašinskog učenja, čime se dobijaju efikasnije metode optimizacije. Sva tri aspekta će biti detaljno opisana i potkrepljena primerima.

SREDA, 29.06.2022. u 19:00, Online
Biljana Stojanović, Matematički institut SANU
ANALIZA KODIRAJUĆIH I AMINOKISELINSKIH SEKVENCI PROTEINA VIRUSA SARS-CoV-2 METODOM KLASTEROVANJA
U predavanju će biti izloženi rezultati dobijeni klasterovanjem proteina virusa SARS-CoV-2 na osnovu: 1) upotrebe kodona (eng. Codon Usage, CU) u kodirajućim (nukleotidnim) sekvencama proteina i 2) edit-rastojanja aminokiselinskih sekvenci proteina, radi karakterizacije specifičnih proteinskih grupa (tipova) i sojeva virusa SARS-CoV-2 kojima pripadaju posmatrani proteini. Pojam upotrebe kodona se odnosi na razlike u učestalosti pojavljivanja sinonimnih kodona aminokiselina tokom translacije proteina. Upotreba kodona je izračunata primenom dve standardne mere (indeksa): 1) relativne upotrebe sinonimnih kodona (eng. Relative Synonimous Codon Usage, RSCU) i efektivnog broja kodona (eng. Effective Number of Codons, ENC) pojedinačnih aminokiselina. Edit-rastojanja sekvenci aminokiselina izračunata su za svaki par proteina. Skup podataka od 423.425 nukleotidnih sekvenci izolata preuzet je sa https://www.ncbi.nlm.nih.gov/sars-cov-2 25. avgusta 2021. Nakon procesa čišćenja ostalo je 347.962 izolata sa 225.934 jedinstvenih (2.366.031 ukupno) kodirajućih sekvenci proteina. Provera konzistentnosti je izvršena između nukleotidnih sekvenci i aminokiselinskih kodova odgovarajućih proteina na osnovu standardne tablice genetskog koda (transl_table 1). Кlasteovanje proteina je izvršeno sa više različitih metoda uz variranje parametara algoritama klasterovanja. Кlasterovanjem skupa kodirajućih sekvenci dobijaju se jasno razdvojeni proteini odgovarajućeg tipa (ORF1a, ORF1ab, S-protein, N-protein, ...) što pokazuje da svaki tip proteina ima svoj specifičan „potpis“ zavisan od upotrebe kodona. Ukoliko se posmatraju oznake proteina prema WHO (World Health Organization) anotaciji (sojevi α, β, γ,...) dobijaju se klasteri u kojima pojedini sojevi proteina izrazito dominiraju ili u kojima je zastupljen samo jedan soj. Ovi rezultati mogu da posluže za određivanje sojeva izolata koji su prikupljani u prvom periodu dok još nije vršena WHO anotacija.


Ovaj onlajn seminar nastao je kao nastavak sastanka “Serbian AI Meeting” i zamišljen je da na njemu istraživači iz Srbije i iz dijaspore, kao i istraživači sa univerzteta, naučnih instituta i iz prakse predstavljaju naučne teme i rezultate iz oblasti veštačke inteligencije.
Link za svako pojedinačno predavanje biće dostavljen dan pre održavanja predavanja.


Andreja Tepavčević
Rukovodilac seminara