Die Liste
Diese Liste stammt von Bruce Maxim, Professor für Ingenieurwissenschaften, Computer- und Informationswissenschaften an der University of Michigan. In seiner Vorlesung Spring 1998 notes for CIS 479 1 hieß die folgende Liste:
"Gute Probleme für künstliche Intelligenz."
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
Es hat sich seitdem zu diesem entwickelt.
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
Was es ist
Seine Liste sollte niemals eine Liste von KI-Problemkategorien als Ausgangspunkt für Lösungsansätze oder eine "heuristische Technik zur Beschleunigung der Suche nach einer zufriedenstellenden Lösung" sein.
Maxim hat diese Liste nie in eine seiner wissenschaftlichen Publikationen aufgenommen, und es gibt Gründe dafür.
Die Liste ist heterogen. Es enthält Methoden, globale Merkmale, Herausforderungen und konzeptionelle Ansätze, die in einer Liste zusammengefasst sind, als wären sie wie Elemente. Dies ist kein Mangel für eine Liste mit "Gute Probleme für die KI", aber als formale Aussage über die Merkmale oder Kategorien von KI-Problemen fehlt es ihm an der nötigen Genauigkeit. Maxim hat es mit Sicherheit nicht als "7 AI-Problemmerkmale" -Liste dargestellt.
Es ist sicherlich keine "7 AI Problemmerkmale" -Liste.
Gibt es Kategorien- oder Merkmalslisten?
Es gibt keine gute Kategorieliste für KI-Probleme, denn wenn man eine erstellt, fällt einem leicht eines der Millionen Probleme ein, die das menschliche Gehirn gelöst hat und die nicht in eine der Kategorien passen oder an der Grenze von zwei liegen oder mehr Kategorien.
Es ist denkbar, eine Liste mit Problemmerkmalen zu erstellen, die möglicherweise von Maxim's Good Problems for AI-Liste inspiriert ist. Es ist auch denkbar, eine erste Ansätze Liste zu entwickeln. Dann kann man Pfeile von den Merkmalen in der ersten Liste zu den besten Aussichten für Ansätze in der zweiten Liste ziehen. Das wäre ein guter Artikel für die Veröffentlichung, wenn er umfassend und konsequent behandelt würde.
Eine erste Liste von Merkmalen auf hoher Ebene für Ansätze
Hier ist eine Liste von Fragen, die ein erfahrener KI-Architekt stellen kann, um die Systemanforderungen auf hoher Ebene zu klären, bevor ein Ansatz ausgewählt wird.
- Ist die Aufgabe insofern im Wesentlichen statisch, als sie nach dem Betrieb wahrscheinlich keine wesentlichen Anpassungen erfordert? Wenn dies der Fall ist, kann AI am nützlichsten bei der Konstruktion, Herstellung und Konfiguration des Systems sein (möglicherweise einschließlich des Trainings seiner Parameter).
- Wenn nicht, ist die Aufgabe im Wesentlichen so variabel, dass sich die zu Beginn des 20. Jahrhunderts entwickelte Steuerungstheorie an die Varianz anpassen kann? In diesem Fall kann AI auch in der Beschaffung von Nutzen sein.
- Wenn nicht, kann das System eine ausreichende nichtlineare und zeitliche Komplexität aufweisen, die Intelligenz erfordert. Dann stellt sich die Frage, ob das Phänomen überhaupt beherrschbar ist. In diesem Fall müssen KI-Techniken nach der Bereitstellung in Echtzeit eingesetzt werden.
Effektiver Architekturansatz
Wenn man die Schritte des Entwurfs, der Herstellung und der Konfiguration isoliert einrahmt, kann derselbe Prozess befolgt werden, um zu bestimmen, welche Rolle die KI spielen könnte, und dies kann rekursiv erfolgen, indem man die Gesamtproduktion von Ideen auf Dinge wie den Entwurf einer KI zerlegt A / D-Wandler oder die Faltungskerngröße, die in einer bestimmten Phase der Bildverarbeitung verwendet werden soll.
Wie bei anderen Steuerungssystemen ermitteln Sie auch bei AI Ihre verfügbaren Eingänge und gewünschten Ausgänge und wenden grundlegende technische Konzepte an. Zu glauben, dass sich die technische Disziplin aufgrund von Expertensystemen oder künstlichen Netzen geändert hat, ist zumindest vorerst ein Fehler.
An der Steuerungstechnik hat sich nichts wesentlich geändert, da die KI und die Steuerungstechnik einen gemeinsamen Ursprung haben. Wir haben nur zusätzliche Komponenten, aus denen wir auswählen können, und zusätzliche Theorien, die wir für Design, Konstruktion und Qualitätskontrolle verwenden können.
Rang, Dimensionalität und Topologie
In Bezug auf Rang und Dimension von Signalen, Tensoren und Botschaften in einem KI-System ist die kartesische Dimensionalität nicht immer das richtige Konzept, um die diskreten Eigenschaften von Interna zu charakterisieren, wenn wir uns Simulationen verschiedener mentaler Eigenschaften des menschlichen Gehirns nähern. Die Topologie ist häufig der Schlüsselbereich der Mathematik, der die Arten der Vielfalt, die wir in der menschlichen Intelligenz sehen, die wir künstlich in Systemen entwickeln möchten, am besten modelliert.
Interessanterweise kann die Topologie der Schlüssel zur Entwicklung neuer Arten von Intelligenz sein, für die weder Computer noch menschliche Gehirne gut gerüstet sind.
Verweise
http://groups.umd.umich.edu/cis/course.des/cis479/lectures/htm.zip
