Neden kısa bir giriş yapay zeka dersinde sadece arama algoritmaları öğretiliyor?

AI'da arama kavramının önemli olduğunu anladım . Bu web sitesinde bu konuyla ilgili bir soru var, ancak biri sezgisel olarak nedenini anlayabilir. Yapay zeka ile ilgili bir dönemin yarısını kapsayan bir tanıtım kursum vardı, bu yüzden tabii ki yapay zekanın tüm konularını kapsayacak kadar zaman yoktu, ama bazı AI teorisini öğrenmeyi bekliyordum "), ancak aslında öğrendiğim temelde birkaç arama algoritmasıydı:

• BFS
• Düzgün maliyetli arama
• DFS
• Yinelemeli derinleşen arama
• Çift yönlü arama

bu arama algoritmaları genellikle "kör" (veya "bilgisiz") olarak kategorize edilir, çünkü hedefe kalan yolla ilgili herhangi bir bilgiyi dikkate almazlar.

Veya aşağıdaki gibi algoritmalar:

• Sezgisel arama
• İlk önce yapılan arama
• bir
• A *
• IDA *

bunlar genellikle "bilgili" arama algoritmaları kategorisine girer, çünkü hedefin geri kalan yolu hakkında bazı bilgiler kullanırlar (yani "sezgisel tarama" veya "tahminler").

Daha sonra "gelişmiş" arama algoritmalarını da öğrendik (özellikle TSP problemine uygulandı). Bu algoritmalar ya yapıcı (örneğin en yakın komşu), yerel arama (örneğin, 2-opt) algoritmalar ya da meta-sezgisel algoritmalardır (örneğin karınca kolonisi sistemi ya da benzetilmiş tavlama).

Ayrıca kısaca oyunlara uygulanan bir min-max algoritması ve min-max'ın "geliştirilmiş" bir versiyonunu, yani alfa-beta budamasını inceledik.

Bu dersten sonra yapay zekanın sadece "aptalca" ya da "daha akıllıca" aramakla ilgili olduğunu düşündüm.

Sorularım:

• Neden bir profesör AI dersinde sadece arama algoritmalarını öğretir? Avantajları / dezavantajları nelerdir? Bir sonraki soru bununla çok ilgili.

• Yapay zekada bir giriş kursunda öğretilebilecek "arama" dan başka ne var? Bu soru öznel cevaplara yol açabilir, ancak aslında yapay zekanın gerçekte ne olduğunu ve hangi konuları gerçekten kapsadığını anlamaya çalışan bir kişi bağlamında soruyorum. Görünüşe göre ve ne yazık ki, etrafı okuduktan sonra, bunun hala öznel olacağı anlaşılıyor.

• Bu tür bir derste öğretilebilecek yapay zeka teorileri var mı?

Yapay zeka hakkında birçok yanlış anlama vardır, özellikle de bilgisayarların insanlar gibi "düşünmesini", beyni simüle etmesini, dünyayı ele geçiren bilimkurgu robotlarını, beynin etrafında makine gibi tüm felsefi tartışmaları vb. Yapay zeka "temelde herhangi bir problemi almanız, bir bilgi işlem problemi olarak temsil etmeniz ve daha sonra orijinal problemin çözülmesine neden olan bilgi işlem problemini çözmek için algoritmayı tasarlamanız anlamına gelen" problemleri çözmek için bilgi işlem kullanmak "ile ilgilidir. Bu arama algoritmaları, genel amaçlı hesaplama problemleri için genel amaçlı algoritmalardır, yani herhangi bir gerçek dünya problemi bu genel amaçlı hesaplama problemiyle temsil edilebilir ve daha sonra bu algoritmalar bunları çözmek için kullanılabilir.

Unutmayın, problem çözme ve herhangi bir gerçek dünya problemini temsil edebilecek genel amaçlı bilgi işlem problemleri hakkında.

Sonuç olarak, AI problemlerinin çoğu arama problemleri olarak nitelendirilebilir. Şimdi bazı örneklere bakalım:

• Nesne tanıma ve sahne oluşturma (örneğin, çevrenizin görsel-işitsel girişini alma ve bunu 3B ve bağlamsal anlamda anlama süreci) girişte bilinen nesneleri arama olarak değerlendirilebilir.
• Matematiksel problem çözme bir çözüm aramak olarak değerlendirilebilir.
• Bir video oyunu oynamak, belirli bir oyun oyununa doğru cevabı aramak olarak değerlendirilebilir.

İlkel sohbet botları bile, insan dilini taklit etmek için belirli bir giriş ifadesine 'doğru' yanıt bulmak olarak nitelendirilebilir!

Aramanın bu genelleştirilmesi nedeniyle, arama algoritmaları 'AI' olarak kabul edilen ilk algoritmalardan bazılarıydı ve çoğu zaman birçok AI öğretim kursunun temelini oluşturmaktadır. Bu arama algoritmalarının üstünde sezgisel ve matematiksel değil, bu da AI'nın biraz korkunç alanını erişilebilir kılıyor. Bu kulağa hiperbol gibi gelebilir, ancak eğer öğretim görevliniz Manifold Öğrenme Teknikleri ile açmış olsaydı, sınıfınızın yarısının 'kovaryans matrisinin özdeğerinden' bahsettikleri zaman kapı için cıvatalanacağını garanti ederim.

Artık bu problemleri çözmenin tek yolu arama algoritmaları değildir. Her AI uygulayıcısının Veri Bilimi ve Makine Öğrenimi Algoritmaları kavramına aşina olmasını öneriyorum. ML genellikle arama algoritmalarıyla ilgilidir, ancak kullandıkları teknikler bir sınıflandırıcı / regresyonun (örneğin C4.5 bir karar ağacı oluşturur) yinelendiği gibi meta-sezgisel taramadan ve statik olarak üretilen sınıflandırıcılar / regresyondan büyük ölçüde farklılık gösterebilir. eğitim verilerinin analizi (örn. Naive Bayesian, girdi alanlarının bağımsız olduğu varsayılarak verilen verilerin Bayesian analizi üzerine kurulmuş bir sınıflandırıcıdır - bu, adını aldığı 'naifliktir'). Çoğu zaman ML algoritmaları AI araştırma gruplarında geliştirilir ve bazen genel form algoritmaları olmak yerine belirli problemler için tasarlanabilir.

Bir profesör neden sadece yapay zeka dersinde arama algoritmaları öğretsin? Avantajları / dezavantajları nelerdir?

Bu soruya cevabım, aramayı kullanarak çözümün bulunabileceği birçok sorunun olması. Tic Tac Toe örneğini ele alalım. Bunun için akıllı bir bilgisayar çalar tasarlıyorsanız, yapacağınız şey bir arama alanı oluşturacak ve daha sonra oyunu sonuçlandırmak için yapılabilecek en uygun hareketi arayacaksınız. Bunlarda, en uygun arama stratejilerinin farkında olmanız gerekir. Bir örnek daha alalım, araba kullanıyorsanız ve bilinmeyen bir kişinin evine gitmek istiyorsanız. Yerinizden uzak ve GPS kullanmaya karar veriyorsunuz. GPS'iniz hedefe ulaşmak için alabileceğiniz en uygun rotayı bulmak için arama algoritmalarını kullanacaktır (elbette trafik gibi dikkate alınması gereken birçok faktör olacaktır, ancak bu temel fikirdir).

Dezavantajları sadece işleme ve depolama anlamındadır. Yavaş algoritmalar için çok fazla CPU zamanı ve depolama alanı harcıyorsunuz, ancak iyi ve verimli algoritmalar için çok fazla alan koruyabilir ve görevinizi çok hızlı bir şekilde gerçekleştirebilirsiniz. Tabii ki, sadece arama yapmayı öğrenmek AI değildir. Daha fazlası var.

Yapay zekada bir giriş kursunda öğretilebilecek "arama" dan başka ne var?

AI'de arama yapmaktan başka birçok şey var. Örneğin, öğrenme teknikleri (denetimli, denetimsiz, güçlendirilmiş), kişinin belirli eylemleri bağımsız ve akıllı bir şekilde yapacak bir sistem tasarlamak istediğinde planlama, bilginin temsili (bilinen ve bilinmeyen) ve öneri mantığı ve birinci dereceden ajanlarda çıkarım mantık vb.

Yapay zekanın arkasında bu tür bir dersle öğretilebilecek teoriler var mı?

Bazı konular farklı ajan türleri (basit refleks, model tabanlı, hedefe dayalı, faydalı tabanlı ve öğrenme ajanı), ajanların çalıştığı farklı ortam türleri, ajanların değerlendirilmesi hakkında öğretilebilir. Doğal dil işleme, uzman sistemler vb. Gibi bazı ek giriş konuları olabilir.