Анализ средств и результатов [1] ( MEA ) - это метод решения проблем, обычно используемый в искусственном интеллекте (AI) для ограничения поиска в программах AI.
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 связано с подходом к цепочке средств и результатов, который обычно используется при анализе поведения потребителей. [2] Это также способ прояснить свои мысли, когда приступаете к математическому доказательству .
Решение проблем как поиск
Важным аспектом интеллектуального поведения, изучаемого в ИИ, является решение проблем на основе цели , структура, в которой решение проблемы может быть описано путем нахождения последовательности действий , ведущих к желаемой цели. Предполагается, что целеустремленная система связана с внешней средой посредством сенсорных каналов, через которые она получает информацию об окружающей среде, и моторных каналов, через которые она воздействует на окружающую среду. (Термин «афферентный» используется для описания «внутрь» сенсорных потоков, и «эфферентные» используется для описания «внешние» моторные команды.) Кроме того, система имеет некоторые средства для хранения в памяти информации о состоянии из окружающая среда (афферентная информация) и информация о действиях (эфферентная информация). Способность достигать целей зависит от создания ассоциаций, простых или сложных, между конкретными изменениями в состояниях и конкретными действиями, которые приведут к этим изменениям. Поиск - это процесс обнаружения и сборки последовательности действий, которые приведут от заданного состояния к желаемому. Хотя эта стратегия может быть подходящей для машинного обучения и решения проблем, она не всегда рекомендуется для людей (например, теория когнитивной нагрузки и ее последствия).
Как работает анализ средств и целей
Методика MEA - это стратегия управления поиском при решении проблем. Учитывая текущее состояние и состояние цели, выбирается действие, которое уменьшит разницу между ними. Действие выполняется в текущем состоянии для создания нового состояния, и процесс рекурсивно применяется к этому новому состоянию и состоянию цели.
Обратите внимание, что для того, чтобы MEA была эффективной, система целеполагания должна иметь средства привязки к любому обнаруживаемому различию тех действий, которые имеют отношение к уменьшению этого различия. Он также должен иметь средства для обнаружения прогресса, который он делает (изменения различий между фактическим и желаемым состоянием), поскольку некоторые предпринятые последовательности действий могут потерпеть неудачу и, следовательно, могут быть испробованы некоторые альтернативные последовательности.
Когда доступны сведения о важности различий, в первую очередь выбирается наиболее важное различие для дальнейшего улучшения средней производительности MEA по сравнению с другими стратегиями поиска методом грубой силы. Однако даже без упорядочивания различий по важности MEA лучше других эвристик поиска (опять же в среднем случае), фокусируя решение проблемы на реальных различиях между текущим состоянием и состоянием цели.
Некоторые системы искусственного интеллекта, использующие MEA
Методика MEA как стратегия решения проблем была впервые представлена в 1961 году Алленом Ньюэллом и Гербертом А. Саймоном в их компьютерной программе решения проблем General Problem Solver (GPS). [3] [4] В этой реализации соответствие между различиями и действиями, также называемыми операторами , предоставляется априори как знания в системе. (В GPS это знание было в виде таблицы соединений .)
Когда действие и побочные эффекты применения оператора очевидны [ требуется пояснение ], поиск может выбрать соответствующие операторы путем проверки операторов и обойтись без таблицы соединений. Этот последний случай, каноническим примером которого является STRIPS , компьютерная программа автоматизированного планирования , позволяет независимо от задачи соотносить различия с операторами, которые их сокращают.
Prodigy , средство решения проблем, разработанное в рамках более крупного проекта автоматизированного планирования с помощью обучения, начатого в Университете Карнеги-Меллона Джейми Карбонеллом, Стивеном Минтоном и Крейгом Ноблоком, - это еще одна система, в которой использовалась MEA.
Профессор Мортен Линд из Технического университета Дании разработал инструмент, называемый многоуровневым моделированием потока (MFM). Он выполняет диагностическое обоснование на основе средств и целей для промышленных систем управления и автоматизации. [ необходима цитата ]
Смотрите также
Рекомендации
- ^ Саймон, HA (1981). Науки об искусственном. Кембридж, Массачусетс: MIT Press.
- ^ Kaciak, Е и Каллен, CW (2006). Анализ данных о цепочке средств и результатов в маркетинговых исследованиях . Журнал таргетинга, измерения и анализа для маркетинга 15, 12 - 20.
- Перейти ↑ Newell, A., & Simon, HA (1959). Моделирование человеческой мысли. Санта-Моника, Калифорния: Rand Corp.
- Перейти ↑ Newell, A., & Simon, HA (1961). GPS, программа, имитирующая человеческое мышление. Санта-Моника, Калифорния: Rand Corporation.