Warum in einem kurzen AI-Einführungskurs nur Suchalgorithmen unterrichten?

Ich habe verstanden, dass das Konzept der Suche in der KI wichtig ist. Auf dieser Website gibt es eine Frage zu diesem Thema, aber man könnte auch intuitiv verstehen, warum. Ich hatte einen Einführungskurs in KI, der ein halbes Semester dauerte, also war natürlich nicht genug Zeit, um alle Themen der KI abzudecken, aber ich hatte erwartet, etwas KI-Theorie zu lernen (ich habe von "Agenten" gehört "), aber was ich tatsächlich gelernt habe, waren im Grunde ein paar Suchalgorithmen, wie:

• BFS
• Suche nach einheitlichen Kosten
• DFS
• Iterativ vertiefende Suche
• Bidirektionale Suche

Diese Suchalgorithmen werden normalerweise als "blind" (oder "nicht informiert") eingestuft, da sie keine Informationen über den verbleibenden Pfad zum Ziel berücksichtigen.

Oder Algorithmen wie:

• Heuristische Suche
• Best-First-Suche
• EIN
• EIN*
• IDA *

die normalerweise unter die Kategorie "informierte" Suchalgorithmen fallen, weil sie einige Informationen (dh "Heuristiken" oder "Schätzungen") über den verbleibenden Weg zum Ziel verwenden.

Dann lernten wir auch "fortgeschrittene" Suchalgorithmen (speziell für das TSP-Problem angewendet). Diese Algorithmen sind entweder konstruktive (z. B. nächster Nachbar), lokale Suchalgorithmen (z. B. 2-opt) oder meta-heuristische Algorithmen (z. B. Ameisenkoloniesystem oder simuliertes Tempern).

Wir haben auch kurz einen Min-Max-Algorithmus für Spiele und eine "verbesserte" Version des Min-Max-Algorithmus untersucht, dh das Alpha-Beta-Bereinigen.

Nach diesem Kurs hatte ich das Gefühl, dass es bei KI nur darum geht, entweder "dumm" oder "intelligenter" zu suchen.

Meine Fragen sind:

• Warum sollte ein Professor Suchalgorithmen nur im AI-Kurs unterrichten? Was sind die Vor- und Nachteile? Die nächste Frage hängt sehr damit zusammen.

• Was ist mehr als "Suchen" in KI, das in einem Einführungskurs vermittelt werden könnte? Diese Frage kann zu subjektiven Antworten führen, aber ich frage tatsächlich im Kontext einer Person, die versucht zu verstehen, was KI wirklich ist und welche Themen sie wirklich abdeckt. Anscheinend und leider scheint es nach dem Lesen immer noch subjektiv zu sein.

• Gibt es KI-Theorien, die in dieser Art von Kurs gelehrt werden könnten?

Es gibt viele Missverständnisse über KI, insbesondere die Idee, Computer dazu zu bringen, wie Menschen zu "denken", das Gehirn zu simulieren, die Science-Fiction-Roboter die Welt zu übernehmen, alle philosophischen Diskussionen um das Gehirn als Maschine usw. Die Praxis / Realität Bei AI geht es darum, "Computer zur Lösung von Problemen zu verwenden", was im Grunde bedeutet, dass Sie jedes Problem als Computerproblem darstellen und dann den Algorithmus zur Lösung des Computerproblems entwerfen, das zur Lösung des ursprünglichen Problems führt. Diese Suchalgorithmen sind Allzweckalgorithmen für Allzweck-Rechenprobleme, dh jedes Problem der realen Welt kann durch dieses Allzweck-Rechenproblem dargestellt werden, und dann können diese Algorithmen verwendet werden, um sie zu lösen.

Denken Sie daran, es geht um Problemlösungen und um allgemeine Computerprobleme, die jedes Problem der realen Welt darstellen können.

Es kommt darauf an, dass die meisten KI-Probleme als Suchprobleme charakterisiert werden können. Lassen Sie uns nur einige Beispiele durchgehen:

• Objekterkennung und Szenenbildung (z. B. der Vorgang, audiovisuelle Eingaben in Ihre Umgebung vorzunehmen und diese in 3D und im Kontext zu verstehen) können als Suche nach bekannten Objekten in der Eingabe behandelt werden.
• Mathematische Problemlösung kann als Suche nach einer Lösung behandelt werden.
• Das Spielen eines Videospiels kann als Suche nach der richtigen Antwort auf einen bestimmten Spielzustand behandelt werden.

Sogar rudimentäre Chatbots können so charakterisiert werden, dass sie die "richtige" Antwort auf eine bestimmte Eingabephrase finden, um die menschliche Sprache zu emulieren!

Aufgrund dieser Verallgemeinerung der Suche gehörten Suchalgorithmen zu den ersten Algorithmen, die als "KI" bezeichnet wurden, und bilden häufig die Grundlage vieler KI-Lehrkurse. Darüber hinaus sind die Suchalgorithmen intuitiv und nicht mathematisch, was das etwas erschreckende Feld der KI zugänglich macht. Das mag nach Übertreibung klingen, aber ich garantiere, dass, wenn Ihr Dozent mit Manifold Learning Techniques eröffnet hätte, die Hälfte Ihrer Klasse zu dem Zeitpunkt, als sie den „Eigenwert der Kovarianzmatrix“ erwähnten, zur Tür geschossen wäre.

Jetzt sind Suchalgorithmen nicht die einzige Möglichkeit, diese Probleme zu lösen. Ich empfehle jedem KI-Praktiker, mit dem Begriff Data Science und Algorithmen für maschinelles Lernen vertraut zu sein. ML wird häufig mit Suchalgorithmen in Verbindung gebracht, aber die von ihnen verwendeten Techniken können stark von der iterativen Erstellung eines Klassifikators / einer Regression (z. B. C4.5 erstellt einen Entscheidungsbaum), Metaheuristiken, wie Sie bemerkt haben, und Klassifikatoren / Regressionen abweichen, aus denen statisch generiert wird Analyse von Trainingsdaten (z. B. Naive Bayesian ist buchstäblich ein Klassifikator, der auf der Bayesian-Analyse der angegebenen Daten basiert, unter der Annahme, dass Eingabefelder unabhängig sind - dies ist die 'Naivität', von der sie ihren Namen erhält). Oft werden ML-Algorithmen in KI-Forschungsgruppen entwickelt und können manchmal für bestimmte Probleme entworfen werden, anstatt allgemeine Formalgorithmen zu sein.

Warum sollte ein Professor Suchalgorithmen nur im AI-Kurs unterrichten? Was sind die Vor- und Nachteile?

Meine Antwort auf diese Frage lautet, dass es viele Probleme gibt, bei denen die Lösung mithilfe der Suche gefunden werden kann. Nehmen Sie ein Beispiel für Tic Tac Toe. Wenn Sie einen intelligenten Computerspieler dafür entwerfen, werden Sie einen Suchraum bilden und dann nach dem optimalen Zug suchen, der zum Abschluss des Spiels ausgeführt werden kann. In diesen Szenarien müssen Sie die optimalen Suchstrategien kennen. Nehmen wir ein anderes Beispiel, nehmen wir an, Sie fahren und möchten zum Haus einer unbekannten Person gelangen. Es ist weit von Ihrem Platz entfernt und Sie entscheiden sich für GPS. Ihr GPS verwendet Suchalgorithmen, um die optimalste Route zu finden, die Sie zum Erreichen des Ziels nehmen können (natürlich müssen viele Faktoren wie Verkehr usw. berücksichtigt werden, aber dies ist die Grundidee).

Nachteile bestehen nur in der Verarbeitung und Lagerung. Bei langsamen Algorithmen verschwenden Sie viel CPU-Zeit und Speicherplatz. Bei guten und effizienten Algorithmen können Sie jedoch viel Platz sparen und Ihre Aufgabe auch sehr schnell ausführen. Nur über das Suchen zu lernen, ist natürlich keine KI. Es steckt noch viel mehr dahinter.

Was ist mehr als "Suchen" in KI, das in einem Einführungskurs vermittelt werden könnte?

In der KI gibt es viele andere Dinge als das Suchen. Zum Beispiel Lerntechniken (überwacht, unbeaufsichtigt, verstärkt), Planen, wann ein System entworfen werden soll, das bestimmte Aktionen unabhängig und intelligent ausführt, Darstellung von Wissen (bekannt und unbekannt) und Inferenz in Agenten, einschließlich Aussagenlogik und erster Ordnung Logik usw.

Gibt es Theorien hinter KI, die in dieser Art von Kurs gelehrt werden könnten?

Einige Themen könnten unterrichtet werden, z. B. über verschiedene Arten von Agenten (einfacher Reflex, modellbasiert, zielbasiert, nutzungsbasiert und Lernagent), verschiedene Arten von Umgebungen, in denen Agenten arbeiten, Bewertung von Agenten. Es könnte einige zusätzliche Einführungsthemen wie die Verarbeitung natürlicher Sprache, Expertensysteme usw. geben.