Анализ средств и целей

Анализ средств и целей ^{[ 1 ]} ( MEA ) — это метод решения проблем, обычно используемый в искусственном интеллекте (ИИ) для ограничения поиска в программах ИИ.

Это также метод, используемый, по крайней мере, с 1950-х годов в качестве инструмента творчества, наиболее часто упоминаемый в инженерных книгах по методам проектирования. MEA также связан с подходом цепочки средств и целей, обычно используемым в анализе поведения потребителей. ^{[ 2 ]} Это также способ прояснить свои мысли, приступая к математическому доказательству .

Решение проблем как поиск

Важным аспектом разумного поведения, изучаемым в области ИИ, является решение проблем, основанное на целях , — структура, в которой решение проблемы можно описать путем поиска последовательности действий , ведущих к желаемой цели. Предполагается, что целенаправленная система связана с внешней средой сенсорными каналами, по которым она получает информацию об окружающем, и двигательными каналами, по которым она воздействует на окружающую среду. (Термин «афферентный» используется для описания «внутренних» сенсорных потоков, а «эфферентный» используется для описания «наружных» двигательных команд.) Кроме того, система имеет некоторые средства хранения в памяти информации состоянии о среда (афферентная информация) и информация о действиях (эфферентная информация). Способность достижения целей зависит от построения ассоциаций, простых или сложных, между конкретными изменениями состояний и конкретными действиями, которые приведут к этим изменениям. Поиск — это процесс открытия и сборки последовательностей действий, которые приведут из заданного состояния в желаемое. Хотя эта стратегия может быть подходящей для машинного обучения и решения проблем, она не всегда подходит для людей (например, теория когнитивной нагрузки и ее последствия).

Как работает анализ средств и целей

Метод MEA — это стратегия управления поиском при решении проблем. Учитывая текущее состояние и целевое состояние, выбирается действие, которое уменьшит разницу между ними. Действие выполняется над текущим состоянием для создания нового состояния, и процесс рекурсивно применяется к этому новому состоянию и целевому состоянию.

Обратите внимание, что для того, чтобы MEA была эффективной, система поиска целей должна иметь средства, позволяющие связать с любым типом обнаруживаемых различий те действия, которые имеют отношение к уменьшению этого различия. Он также должен иметь средства для обнаружения прогресса, которого он достигает (изменения различий между фактическим и желаемым состоянием), поскольку некоторые предпринятые последовательности действий могут потерпеть неудачу и, следовательно, могут быть опробованы некоторые альтернативные последовательности.

Когда доступны знания о важности различий, сначала выбирается наиболее важное различие, чтобы еще больше улучшить среднюю производительность MEA по сравнению с другими стратегиями поиска методом перебора. Однако даже без упорядочивания различий по важности MEA превосходит другие эвристики поиска (опять же в среднем случае), фокусируя решение проблем на фактических различиях между текущим состоянием и состоянием цели.

Некоторые системы искусственного интеллекта, использующие MEA

Техника MEA как стратегия решения проблем была впервые представлена в 1961 году Алленом Ньюэллом и Гербертом А. Саймоном в их компьютерной программе решения проблем General Issue Solver (GPS). ^{[ 3 ]}^{[ 4 ]} В этой реализации соответствие между различиями и действиями, также называемое операторами , априори предоставляется как знание в системе. (В GPS эти знания были в виде таблицы связей .)

Когда действие и побочные эффекты применения оператора проницаемы ^{[ нужны разъяснения ]} при поиске можно выбрать соответствующих операторов путем проверки операторов и обойтись без таблицы связей. Этот последний случай, каноническим примером которого является STRIPS , компьютерная программа автоматического планирования , позволяет независимо от задачи соотносить различия с операторами, которые их уменьшают.

Еще одна система, использующая MEA, — Prodigy , средство решения проблем, разработанное в рамках более крупного проекта автоматизированного планирования с помощью обучения, начатого в Университете Карнеги-Меллона Хайме Карбонеллом, Стивеном Минтоном и Крейгом Ноблоком.

Профессор Мортен Линд из Технического университета Дании разработал инструмент под названием «Многоуровневое моделирование потоков» (MFM). Он выполняет диагностическое обоснование на основе средств и целей для систем промышленного контроля и автоматизации. ^{[ нужна ссылка ]}

См. также

Ссылки

^ Саймон, HA (1981). Науки об искусственном. Кембридж, Массачусетс: MIT Press.
^ Качиак, Э. и Каллен, CW (2006). Анализ данных о цепочке средств и результатов в маркетинговых исследованиях . Журнал таргетинга, измерения и анализа для маркетинга 15, 12 – 20.
^ Ньюэлл, А., и Саймон, HA (1959). Моделирование человеческого мышления. Санта-Моника, Калифорния: Rand Corp.
^ Ньюэлл, А., и Саймон, HA (1961). GPS — программа, моделирующая человеческое мышление. Санта-Моника, Калифорния: Rand Corporation.

[1] Саймон, HA (1981). Науки об искусственном. Кембридж, Массачусетс: MIT Press.

[2] Качиак, Э. и Каллен, CW (2006). Анализ данных о цепочке средств и результатов в маркетинговых исследованиях . Журнал таргетинга, измерения и анализа для маркетинга 15, 12 – 20.

[3] Ньюэлл, А., и Саймон, HA (1959). Моделирование человеческого мышления. Санта-Моника, Калифорния: Rand Corp.

[4] Ньюэлл, А., и Саймон, HA (1961). GPS — программа, моделирующая человеческое мышление. Санта-Моника, Калифорния: Rand Corporation.

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]