Lista
Ta lista pochodzi od Bruce'a Maxima, profesora inżynierii, informatyki i informatyki na Uniwersytecie Michigan. W swoim wykładzie Notatki z wiosny 1998 r. Dla CIS 479 1 nazwano następującą listę:
„Dobre problemy dla sztucznej inteligencji”.
Decomposable to easier problems
Solution steps can be ignored or undone
Predictable Problem Universe
Good Solutions are obvious
Internally consistent knowledge base (KB)
Requires lots of knowledge or uses knowledge to constrain solutions
Interactive
Od tego czasu ewoluowało w to.
Decomposable to smaller or easier problems
Solution steps can be ignored or undone
Predictable problem universe
Good solutions are obvious
Uses internally consistent knowledge base
Requires lots of knowledge or uses knowledge to constrain solutions
Requires periodic interaction between human and computer
Co to jest
Jego lista nigdy nie miała być listą kategorii problemów AI jako początkowym punktem rozgałęzienia dla podejść do rozwiązania lub „heurystyczną techniką mającą na celu przyspieszenie procesu znalezienia zadowalającego rozwiązania”.
Maxim nigdy nie dodał tej listy do żadnej ze swoich publikacji naukowych i istnieją powody, dla których.
Lista jest heterogeniczna. Zawiera metody, cechy globalne, wyzwania i koncepcyjne podejścia połączone w jedną listę, jakby były jak elementy. Nie jest to wada dla listy „dobrych problemów dla AI”, ale jako formalne określenie cech lub kategorii problemów AI, brakuje mu niezbędnego rygoru. Maxim z pewnością nie przedstawił go jako „7 cech problemu AI”.
Z pewnością nie jest to lista „7 cech problemu AI”.
Czy są jakieś listy kategorii lub cech?
Nie ma dobrej listy kategorii problemów z AI, ponieważ gdyby ją stworzono, łatwo byłoby pomyśleć o jednym z milionów problemów, które rozwiązały ludzkie mózgi, które nie pasują do żadnej z kategorii lub nie mieszczą się na granicy dwóch lub więcej kategorii.
Można sobie wyobrazić listę charakterystyk problemów i może być zainspirowana listą Maxim's Good Problems for AI. Można również opracować listę wstępnych podejść. Następnie można narysować strzałki od cech z pierwszej listy do najlepszych perspektyw podejść na drugiej liście. Byłby to dobry artykuł do publikacji, gdyby został potraktowany kompleksowo i rygorystycznie.
Początkowa charakterystyka wysokiego poziomu do listy podejść
Oto lista pytań, które doświadczony architekt AI może zadać, aby wyjaśnić wymagania systemowe na wysokim poziomie przed wyborem podejścia.
- Czy zadanie jest zasadniczo statyczne, ponieważ po uruchomieniu prawdopodobnie nie będzie wymagać znacznych korekt? W takim przypadku sztuczna inteligencja może być najbardziej przydatna w projektowaniu, wytwarzaniu i konfiguracji systemu (potencjalnie włączając szkolenie jego parametrów).
- Jeśli nie, to czy zadanie jest zasadniczo zmienne w taki sposób, że teoria kontroli opracowana na początku XX wieku może dostosować się do wariancji? Jeśli tak, to sztuczna inteligencja może być również przydatna w zaopatrzeniu.
- Jeśli nie, to system może mieć wystarczającą złożoność nieliniową i czasową, aby wymagana była inteligencja. Wtedy pojawia się pytanie, czy zjawisko to w ogóle można kontrolować. Jeśli tak, to należy zastosować techniki AI w czasie rzeczywistym po wdrożeniu.
Skuteczne podejście do architektury
Jeśli osobno obramuje się etapy projektowania, wytwarzania i konfiguracji, można zastosować ten sam proces, aby ustalić, jaką rolę może odegrać sztuczna inteligencja, i można to zrobić rekurencyjnie, ponieważ rozkłada się ogólną produkcję pomysłów na rzeczy takie jak projektowanie Konwerter A-D-D lub rozmiar jądra splotu do zastosowania na określonym etapie wizji komputerowej.
Podobnie jak w przypadku innych systemów sterowania, w przypadku AI określ dostępne dane wejściowe i pożądane dane wyjściowe oraz zastosuj podstawowe koncepcje inżynierskie. Myśl, że dyscyplina inżynierii zmieniła się z powodu systemów eksperckich lub sztucznych sieci, jest błędem, przynajmniej na razie.
Nic nie zmieniło się znacząco w inżynierii systemów sterowania, ponieważ AI i inżynieria systemów sterowania mają wspólne pochodzenie. Mamy tylko dodatkowe komponenty, z których możemy wybrać i dodatkową teorię do zastosowania w projektowaniu, budowie i kontroli jakości.
Ranga, wymiarowość i topologia
Jeśli chodzi o rangę i wymiary sygnałów, tensorów i komunikatów w systemach AI, wymiar kartezjański nie zawsze jest prawidłową koncepcją charakteryzującą dyskretne cechy wewnętrzne, gdy podchodzimy do symulacji różnych cech umysłowych ludzkiego mózgu. Topologia jest często kluczowym obszarem matematyki, który najbardziej poprawnie modeluje rodzaje różnorodności, które widzimy w ludzkiej inteligencji, którą chcemy sztucznie rozwijać w systemach.
Co ciekawsze, topologia może być kluczem do opracowania nowych rodzajów inteligencji, do których ani komputery, ani mózgi ludzkie nie są dobrze wyposażone.
Bibliografia
http://groups.umd.umich.edu/cis/course.des/cis479/lectures/htm.zip
