Mesterséges Intelligencia Kutató Magán Projekt
Elektronikus Agy
|
|
Jele |
Neve |
Kép |
Adatvédelmi irányelvek |
Privacy Policy |
Step32 |
A Step32 alkalmazás nem gyűjt adatokat a felhasználóról. A program futása közben keletkező adatok elvsznek a programból történő kilépést követően. Amennyiben szeretné megőrizni a teljesítmény adatait, akkor készítsen képernyőképet. Bizonyos számítások elvégzéséhez a születési adataira szükség lesz. A születési adatait eltárolhatja a saját eszközén, de ez nem kötelező. |
The Step32 application does not collect data about the user. Data generated while the program is running are lost after exiting the program. If you want to preserve performance data, take a screenshot. Your birth details will be needed to perform certain calculations. You can store your birth data on your own device, but this is optional. |
Ismeretek az elektronikus agyról
Mesterséges Intelligencia alapfogalmak:
Akik a Mesterséges Intelligencia fejlesztés redukciós megközelítést tartják jónak azok meg vannak győződve arról, hogy az agyat legkisebb részeire kell redukálni, és ezen elemi részekből kell újra összeállítani. A mesterséges intelligencia kutatók gyakorlatilag kivitelezhetőnek tartják, azt az állásponton, hogy elemi digitális áramkörökből egyre összetettebb kapcsolásokat építve, egyszer csak létrejön a mesterséges intelligencia. A fent nevezett Mesterséges Intelligencia kutatók, az 1950-es években szép eredményeket értek el, de a végcélt nem tudták megvalósítani. A másik Mestersége Intelligencia kutató irányzat, sokkal holisztikusabb szemlélettel közelít az agyhoz. Az elektronikus agy funkcióit törekszik értelmezni, és olyan sablonokat előállítani, amelyek az elektronikus agyat mint egészet kezelik. Jóllehet a Mesterséges Intelligencia kutatás, jóval bonyolultabbnak bizonyult ezen a vonalon. Mégis nagyon ígéretesnek látszik, mivel bizonyos agyfunkciókat, amelyeket mindenképpen elvárunk (például a hibákkal szembeni tolerancia, a bizonytalanság mérlegelése, különböző tárgyak közötti kreatív asszociáció teremtés ), ezek a modellek eleve tartalmazták. A neutrális hálózatok teóriája például lényegében ebből a nézetből indul ki. Manapság, teljesen egyértelmű, hogy a redukciós és holisztikus elmélet összekapcsolásával lehet megoldani a Mesterséges Intelligenciát.
Mesterséges Intelligencia fejlesztési területek:
a - automatikus következtetési rendszerek
b - intelligens robotvezérlés
c - projektek, programok, tervek automatikus generálása
d - gépek felkészítése természetes emberi nyelvek megértésére és használatára
e - emberi érzékelés (látás, hallás, tapintás, ízlelés, szaglás) gépesítése
f - automatikus tétel bizonyítás
Ezeket a feladatokat, a Mesterséges Intelligencia programozók, általában egy tudásreprezentációra építve lehet megoldani.
A Mesterséges Intelligencia rendszerei:
A Mesterséges Intelligencia alkalmas, olyan módozatok, feladatok programozott megoldására, amelyek, nem rendelkeznek teljes, lineáris megoldási folyamattal minden részletére kiterjedően. A felhasználónak a problémát kell megneveznie, a megoldást a programrendszer végzi el. A Mestersége Intelligenciát alkalmazó rendszerek, olyan automatizálási szerkezetek, amelyek a fizikai és logikai munkavégzést könnyítik meg. A mesterséges intelligencia, olyan feladatok számítógépes megoldását tűzi ki célul, amelyek (ha ember oldja meg) intelligenciát, igényelnek. Valószínűleg a Mestersége Intelligenciának még jó néhány olyan területe van, amit nem említettünk meg.
Az Elektronikus Agy általános struktúrája.
1./ Elektronikus agysejt: műveletek feladatok önálló elvégzésére létrehozott programok.
2./ Elektronikus agysejt vezérlő: feladata a halmazba foglalni és vezérelni az elektronikus agysejteket.
3./ Elektronikus Agy: önállóan működni képes, elektronikus agysejt vezérlők halmaza.
4./ Elektronikus Szuper Agy: Az elektronikus Agy magasabb szintű verziója.
5./ Elektronikus Hiper Agy: Képes önállóan létrehozni Elektronikus Agysejteket, vezérlőket, és képes ezeket beilleszteni a saját rendszerébe.
Mesterséges Intelligencia Gráfkereső eljárások:
A Mesterséges Intelligencia kiemelt területe a: gráfkereső eljárások. A Mesterséges Intelligencia egyes kérdéseinek teljesítéséhez próbálkozásra, keresésre van szükség. Az MI feladatok némelyike reprezentálható egy-egy irányított gráffal, így a megoldást gyakran gráfokon történő kereséssel oldjuk meg.
1/ Állapottér reprezentáció: irányított gráffal ábrázoljuk a keresést.
2/ Produkciós Mesterséges Intelligencia rendszer.
Ide tartozik a heurisztika fogalma is. A Mesterséges Intelligencia általános algoritmus osztálya, amely sajátos problémamegoldó szemléletet tükröz. Ennek lényege, hogy célszerű teljesen szétválasztani az adatszerkezeteket, az azokon értelmezett műveleteket és a vezérlési stratégiát. A vezérlés kialakításában szerepet kaphat a feladatra jellemző ismeret, a heurisztika, amely jelentősen javíthatja a keresés hatékonyságát.
3/ Probléma-redukciós mesterséges intelligencia reprezentáció: erre a technikára jellemző az ÉS/VAGY gráf.
A Mesterséges Intelligenciában használt gráfokkal kapcsolatos alapfogalmak: Egy általános gráfot, csúcsok és élek alkotnak. A csúcsok száma lehet véges vagy végtelen. A csúcsot nevezhetjük: szögpontnak is. Egy csúcsból legfeljebb egyetlen él vezet egy másik csúcsba. A Mesterséges Intelligenciában a problémák reprezentálására gráfot használunk. Az irányított gráfban az élekhez irányt rendelünk, és az ábrázolásban az irányuknak megfelelő nyíllal látjuk el azokat. Ha két csúcsot két, ellentétes irányú él köt össze, akkor azokat egymástól függetlenül is ábrázolhatjuk, vagy egyszerűsíthetjük az ábrát egyetlen, mindkét végén nyíllal ellátott él alkalmazásával. Olyan utat nevezünk körnek, amelynek kezdő és végpontja megegyezik. Speciális gráf a fa. Mesterséges Intelligencia problémáink megoldásában sokszor használunk irányított fát. Ebben van egy kitüntetett (gyökérnek nevezett) csúcs, amelynek nincsen szülője. Az összes többi csúcsnak pedig pontosan egy szülője van. Ebből következik az, hogy az irányított fában nincsen kör. Azokat a csúcsokat, amelyeknek egyetlen rákövetkezője sincs, leveleknek nevezzük. Az egyes csúcsokhoz költségeket szokás rendelni. Ez a költség mindig egy pozitív érték, amely nem hanyagolható el. Kiköthetjük, hogy egy csúcsból legfeljebb véges számú él indul ki. Ez abból a feltevésből ered, hogy az általunk kezelt Mesterséges Intelligencia feladatokban a műveletek száma véges, hiszen végtelen számú művelet ilyen módszerekkel számítástechnikailag úgysem kezelhető. Egy út költségét az utat alkotó élek költségének összegeként értelmezzük. Értelmezzük azt a minimális költséget is, amellyel egyik csúcsból a másikba eljutunk. Ez a két csúcs közötti utak költségeinek minimuma. Ha nem létezik ilyen út, akkor a két csúcsra nem értelmezzük ezt a költség fogalmat, vagy gyakran végtelen nagynak tekintjük az értéket. Az n és m csúcsok közötti minimális költséget k*(n,m) jelöli.
Mesterséges Intelligencia ; feladatreprezentáció:
Az MI tervezése során, szabályosan akkor járunk el, ha először meghatározzuk a feladat állapotterét:
A Mesterséges Intelligencia feladat állapottere: bármelyik fontos adatszerkezet előforduló értékeinek halmaza. Ezután, megadjuk azt, hogy az állapottér ezen pontjai közül, melyek jöhetnek szóba, mint kiinduló állapotok. Majd a célállapotok halmazát definiáljuk a kiinduló állapotok függvényében. Az adatszerkezeteken értelmezett műveleteket általában nem adjuk meg külön, mivel ezek a gyakran használt adattípusok közismert műveletei. Fontos megadnunk a Mesterséges Intelligencia specifikációban, a három fő komponens (állapottér, kezdőállapotok, célállapotok) mellett az állapottéren értelmezett műveleteket is. A specifikáció magában foglalja az értelmezési tartományokat (tulajdonképpen a műveletek végrehajtási feltételeinek meghatározását is). A Mesterséges Intelligencia műveletekhez, eltérő végrehajtási költségeket is rendelhetünk. Az állapottér-specifikáció kifejezés helyett, gyakran az állapottér-reprezentáció szókapcsolatot használjuk. A gráf igen beszédes eszköz, a Mestersége Intelligencia feladatait megoldó algoritmusok megvalósítására. A gráf csúcsai az egyes állapotoknak, az irányított élek pedig az alkalmazható műveleteknek felelnek meg. A kezdőállapotoknak, és a célállapotoknak a gráf startcsúcsa és a célcsúcsok halmaza felel meg. Egy Mesterséges Intelligencia reprezentációs gráf sokszor nagy kiterjedésű. Ezért gyakran előfordul, hogy nem lehet, vagy nagyon nehéz lenne explicit módon felrajzolni, ebből kifolyólag csupán implicit leírásokat szoktunk megadni. A Mesterséges Intelligenciában alkalmazott, széles körű, éppen hogy csak áttekinthető gráfban a megoldásmód megtalálása többnyire szerteágazó feladat. Egyszerűsíthető az eljárás akkor, ha a reprezentációs gráfot fává alakítjuk.
Mestersége Intelligencia állapottér-reprezentáció:
A probléma-leírási módozatok közül az állapottér-reprezentáció az, amelyik a leggyakrabban használatos, és a Mesterséges Intelligencia fejlesztési gyakorlatból, a legismertebbnek tekinthető.
Az állapottér-reprezentáció komponensei a következők:
1: A feladat állapottere.
2: Az állapottéren értelmezett műveletek.
3: A célállapotok halmazát leíró célfeltétel.
4: A kezdőállapot, vagy kezdőállapotok.
A Mesterséges Intelligenciában, az állapottér, a feladat adatszerkezeteinek mindegyik lehetséges értékeit tartalmazza. Az állapottér alkalmas az algoritmusok működésének szemléltetésére is. Egy MI algoritmus megoldása egyik állapotból egy másik állapotba vezető útnak felel meg. Hiszen az egyes lépések módosítják, bizonyos adatok értékeit. A műveletek (operátorok) az állapottéren értelmezett transzformációk. A reprezentációban megadjuk az egyes műveletek értelmezési tartományát, ami a végrehajtásuk feltételét jelöli ki. Ha a műveletekhez eltérő végrehajtási költségeket jelölünk, akkor ezeket is itt adjuk meg. A célfeltétel leírja a célállapotok halmazát, amely része az állapottérnek. Az elnevezés is utal arra, hogy a feladatmegoldás célja egy ilyen állapot elérése. A Mesterséges Intelligenciában, célállapot lehet több is. A célállapotok lehetnek explicit módon adottak, de lehet az is, hogy konkrétan nem ismerjük, és csak feltételekkel tudjuk leírni. A kezdőállapotok halmaza is része az állapottérnek. A Mesterséges Intelligencia programozása közben, a kezdőállapot megnevezésével egyértelműen meg kell különböztetni egy feladat specifikálását a lehetséges szóba jöhető kezdő adatra, és a feladat kitűzését egy konkrét kiinduló adatra.
A különböző MI feladatok reprezentálásakor lehet, hogy:
- az állapottér bármely pontjából kiindulhatunk,
- lehet, hogy ennek csak egy részhalmazára értelmes a feladat,
- és az is lehet, hogy csak egyetlen kezdő állapot jöhet szóba.
Egy Mesterséges Intelligencia feladat megoldásának, egy olyan műveletsorozatot tekintünk, amely adott kezdőállapotból elvisz egy célállapotba. A lehetséges megoldások közül gyakran egy olyan műveletsorozat megkeresése a cél, amelynek minimális a költsége. Egy ilyet optimális MI megoldásnak nevezünk. Olyan esetben, amikor a költségek egységnyiek, az optimális megoldást szokás legrövidebb megoldási útnak is nevezni, hiszen ilyenkor a költség mérőszáma a megoldási utat alkotó műveletek számával egyezik meg. Előfordulnak olyan Mesterséges Intelligencia feladatok, ahol csak a célállapot elérése fontos, az odavezető műveletsorozat csak –mellékterméke- a feladatot megoldó algoritmusnak. Máskor éppen ellenkezőleg: a célállapotot már ismerjük, és az előállítását végző, műveletsorozatot keressük.
Mesterséges Intelligencia: A reprezentáció ábrázolása gráffal.
Az MI állapottér-reprezentációt sokatmondóbbá tehetjük irányított gráf használatával. A Mesterséges Intelligencia fejlesztésekor, a gráffal ábrázolt feladatleírást gráfreprezentációnak nevezzük. Tulajdonítsuk a Mesterséges Intelligencia állapottér elemeit a gráf csúcsainak. Egy csúcsból egy másik csúcsba akkor vezet irányított él, ha van olyan művelet, amely az ezen csúcsoknak megfelelő állapotokat összeköti. Ilyen módon az állapotokat szimbolizáló csúcsok halmaza (jele: N), valamint a műveletek összes megvalósulásait megtestesítő irányított élek halmaza (jele: A) egy irányított gráfot határoz meg (jele: R). Ezt az R=(N,A) irányított gráfot a továbbiakban reprezentációs gráfnak nevezzük. (elterjedt még az állapot-gráf elnevezés is). A gráfnak azt a csúcsát, amely a feladat egy konkrét kitűzése esetén a kezdőállapotnak felel meg, kezdőcsúcsnak, vagy startcsúcsnak hívjuk (jele:s). A célfeltételt kielégítő állapotok csúcsait célcsúcsoknak nevezzük, az általuk kijelölt halmazt pedig terminális halmaznak (jele: T). Egy MI feladat gráfreprezentációját az (R, s, T) hármas adja meg. Ez ugyanazokat az információkat tartalmazza, mint az állapottér-reprezentáció, hiszen R irányított gráf az állapotteret és a műveleteket is tartalmazza.
Mesterséges Intelligencia: Produkciós rendszer és a heurisztika
A Mesterséges Intelligencia programozási feladatainak megoldásában sokszor szerepet játszanak a produkciós rendszerek. Az MI produkciós rendszert a heurisztikával lehet hatékonnyá tenni. Az MI produkciós rendszer egy algoritmusosztály, amely egy sajátos problémamegoldó szemléletet tükröz. Ennek az a lényege, hogy egy feladat megoldása során független komponensekbe szervezve, elkülönített módon kezeli a feladat adatait, az ezeken értelmezett műveleteket, és a műveleteket algoritmussá szervező vezérlést. A Mesterséges Intelligencia produkciós rendszer alkotóelemekre bontott, moduláris struktúra és annak funkciója több része eltér a megszokott programokétól. A produkció rendszereket gyakran kereső rendszereknek is nevezzük. Ez az elnevezés arra utal, hogy a feladatok megoldásának meghatározása általában keresést igényel. A Mesterséges Intelligencia produkciós rendszer működését, alapvetően vezérlés határozza meg. Az általános algoritmusban a vezérlés nincs konkrétan definiálva. Az algoritmusok, a produkciós rendszer alapalgoritmusából a vezérlés megadásával származtathatóak. Az MI konkrét produkciós rendszerek vezérlése valamilyen előre rögzített elvet követ. A Mesterséges Intelligencia programoknak ilyen módszerekkel történő megadása általában nem hathatós, mert a fix és merev stratégiák nem veszik figyelembe az aktuális feladat sajátosságait. Az MI megoldáskeresés hatékonysága erősen növelhető, ha a vezérlést heurisztikák beépítésével finomítjuk. Heurisztikának a feladatra jellemző olyan ismeretet nevezzük, amely az esetek nagy részében a keresés mértékének, azaz idejének és tárigényének jelentős csökkentésével elég jó megoldást szolgáltat.
A Mesterséges Intelligencia struktúra produkciós szervezet komponensei:
Az MI produkciós rendszer három tényezőjét:
- globális adatbázisnak,
- produkciós szabályoknak
- és vezérlési stratégiának nevezzük.
Ezek a Mesterséges Intelligenciáról megismert tudásunk más-más felületét tükrözik. A globális adatbázis a feladat reprezentációs gráfjának a megoldása során előállított részét tartalmazza. A feladat megoldása egy olyan út, amely az MI reprezentációs gráf kezdőcsúcsából egy terminális csúcsba vezet. A feladatot megoldó Mesterséges Intelligencia produkciós rendszer fokozatosan derít fel egy ilyen utat. Az MI működése során, nyilvántarthatja a már szemügyre vett csúcsokat és útszakaszokat. Az MI eljárás a megoldási út egész addig felderített szakaszait megjegyzi. Még jellemzőbb azonban az is, ha több lehetséges úttal próbálkozik párhuzamosan, és ezek mindegyikét tárolja. A Mesterséges Intelligencia átfogó adatbázis a feladat állapotterének végig egyetlen, az éppen időszerű részét ábrázolja. Az MI nem őrzi a produkciós rendszer által korábban előállított állapotokat. Többnyire azonban a globális adatbázis tartalmazza a már bejárt állapotok egy részét, vagy akár az összes addig bejárt állapotot. Tételbizonyítás esetén, például az MI globális adatbázis, egyidejűleg tartalmazza a kiinduló axiómákat és állításokat, valamint az összes már levezetett részállítást. Általában az MI globális adatbázis nemcsak a már feltárt állapotokat tárolja, hanem az azokat, összekötő műveleteket is, azaz a reprezentációs gráf egy részgráfját tartalmazza. A hagyományos Mesterséges Intelligencia programokban, a változók mindig csak az állapottér egyetlen állapotát rögzítik, soha nem képesek egyszerre több állapot kézbentartására. Az MI globális adatbázis viszont lehetőséget ad a feladatról megszerezhető összes információ megőrzésére és így egy korábbi, már túlhaladott állapothoz történő visszatérésre. Ebben az értelemben használjuk az adatbázis kifejezést, amelynek jelentését azonban nem szabad összetévesztenünk a számítástechnika más területein elfogadott értelmezéssel. A Mesterséges Intelligencia globális adatbázis, kezdetben a feladat kiinduló adatait, a kezdő állapotot tartalmazza. A produkciós szabályokat alkalmazva újabb és újabb állapotok kerülnek be az adatbázisba, nő az explicit módon megismert állapotok száma. Kedvező esetben megjelennek az adatbázisban a célfeltételt kielégítő állapotok, az úgynevezett célállapotok. Ez az MI produkciós rendszer, hasznos terminálását jelenti. Ilyenkor azt mondjuk, hogy az MI globális adatbázis kielégíti a terminális feltételt. A Mesterséges Intelligencia produkciós szabályok az MI globális adatbázison megszabott operátorok. Egy MI produkciós szabály az alkalmazás során módosítja az adatbázis tartalmát. Ha az MI globális adatbázis egyetlen állapotot tartalmaz, akkor a produkciós szabályok megegyeznek az állapottéren értelmezett műveletekkel. A felületes szemlélő gyakorta teljesen azonosnak látja a Mesterséges Intelligencia produkciós szabályokat és a műveleteket. Úgy helyes azonban, hogy csak az előbbi esetben teszünk egyenlőséget a két fogalom közé. Ha a Mesterséges Intelligencia globális adatbázis több állapotot tartalmaz, és az őket összekötő műveleteket is tárolja, akkor tulajdonképpen szerkezete egy gráffal ábrázolható. Ekkor a produkciós szabály egy gráfból egy (általában bővebb) gráfot előállító transzformáció, tehát a gráfon van értelmezve. Azonban arra a műveletre (vagy műveletekre) támaszkodik, amelyeket egy állapotra hajtunk végre. Túl az értelmezési tartományok különbségén, más eltérés is lehet a produkciós szabályok és műveletek között. Például: a visszalépéses algoritmusnál szerepel egy olyan produkciós szabály is, amely az MI globális adatbázisból egy útszakaszt töröl, és ennek nincs "megfelelője" az állapotokra értelmezett műveletek között. Ahogy a műveletek sem alkalmazhatók minden állapotra, úgy a produkciós szabályoknak is megvannak a végrehajtási feltételeik. Ha egy időpontban több alkalmazható MI produkciós szabály áll rendelkezésünkre, akkor ki kell választani egyet ezek közül. Ezt a Mesterséges Intelligencia vezérlési stratégia alapján végzi a produkciós rendszer. Az MI vezérlési stratégia egy elsőbbségi sorrendet állít fel az alkalmazható produkciós szabályok között. Ez a sorrend attól függ, hogy melyik szabályt tartja legalkalmasabbnak a vezérlés a terminálási feltétel elérése céljából. A Mesterséges Intelligencia vezérlési elképzelés elsődleges rendeltetése az, hogy kikeressen egy alkalmazásra kerülő rendszabályt. Ezen kívül ellenőrzi a szabályok alkalmazhatósági feltételének teljesülését, nyilvántartja a már alkalmazott szabályokat, figyeli a terminális feltétel bekövetkezését. A terminálás után az alkalmazott MI produkciós szabályok azonosítóinak nyilvántartása alapján megadható az a műveletsorozat, amely a kezdőállapotot célállapotba transzformálja. Ez a műveletsorozat a produkciós rendszer terméke. A hagyományos feladatoknál, közvetlenül kell felírni a megoldást jelentő műveletsorozatot. A Mesterséges intelligencia feladatainál a produkciós rendszer állítja elő azt a műveletsorozatot, amely kezdőállapotból egy végállapotba vezet. Ez a műveletsorozat hagyományos értelemben véve a feladatot megoldó program.
A Mesterséges Intelligencia produkciós rendszer felépítése.
- Az adatbázis elérhető mindegyik szabállyal; globális azok mindegyikére nézve nincs valamely szabály számára elkülönített, lokális része.
- A szabályok nem hívhatják egymást, köztük nincs kapcsolat, tehát függetlenek.
- A vezérlés közvetlenül nem módosítja az adatbázist, ezt csak egy produkciós szabály aktivizálásával teheti meg. A vezérlés feladata a szabályok alkalmas kiválasztására szorítkozik.
Mesterséges Intelligencia: Heurisztika.
A heurisztika kulcsfogalom a Mesterséges Intelligencia területén, hiszen itt éppen az olyan feladatok megoldása a cél, amelyekre nincs egzakt és direkt megoldó stratégiánk. Nem szerencsés ugyanis, ha az MI feladatokat csupán "vak" kereséssel, minden lehetséges utat szisztematikusan végig próbálva kísérelnénk meg megoldani. Az ilyen eljárás általában úgyis kombinatorikus robbanáshoz, azaz kezelhetetlenül nagy adattömeghez vezetne. A Mesterséges Intelligencia keresési műveletek eredményesé tételét a problémára sajátos heurisztikus ismeretek beépítésétől várhatjuk.
A Mesterséges Intelligencia heurisztika fogalma.
A Mesterséges Intelligencia heurisztika fogalmának értelmezése az egyes időszakokban más és más, és az egyes szerzők adott időpontban és eltérnek egymástól. Mind a mai napig nincs általánosan elfogadott definíciója. A különféle értelmezések - amelyeket többnyire példák illusztrálnak, nem pedig definíciók vezetnek be - két lényeges tulajdonságát emelik ki a heurisztikus (heurisztikát alkalmazó) eljárásoknak, módszereknek.
- A legtöbb esetben "elég jó" megoldást szolgáltatnak, bár nem garantálnak optimális megoldási utat, sőt valójában semmiféle megoldást nem garantálnak.
- Jelentős mértékben javítják a problémamegoldó program hatékonyságát, főként a keresés próbálkozásai számának erős csökkentésével.
A továbbiakban, azt az MI feladatról szerzett konkrét ismeretet, tudást nevezzük Mesterséges Intelligencia heurisztikának, amelyet a fenti két tulajdonság elérése érdekében építünk be a vezérlési stratégiába. Ezáltal megkülönböztetjük a feladattal kapcsolatos információkat aszerint, hogy azokat az MI globális adatbázis és az MI produkciós szabályok megfogalmazásához használtuk-e fel, vagy a vezérlési stratégiát javítottuk-e általuk. A Mesterséges Intelligencia heurisztika feladata, hogy azt a sorrendet pontosítsa, amelyet a vezérlés jelöl ki a produkciós szabályok között. Az MI vezérlési stratégia egyébként önmagában egy feladattól független előre rögzített elv szerint választja ki a produkciós szabályokat. Ezt a fix stratégiát finomítjuk, "hangoljuk rá" a mindenkori feladatra a heurisztika beépítésével.
A Mesterséges Intelligencia heurisztika és a megoldás költsége.
Mikor egy Mesterséges Intelligencia produkciós rendszer részére vezérlési stratégiát választunk, akkor figyelembe kell vennünk azt, hogy milyen következményt kíván a megoldandó program.
Az eredmény szempontjából a feladat a következők szerint osztályozhatjuk:
- A célállapotot elérő tetszőleges műveletsorozatot kell meghatározni. (a műveletsorozat költsége tetszőleges.)
- Egy viszonylag olcsó műveletsorozatot keresünk.
- Minimális költségű (optimális) műveletsorozatot keresünk.
Az előállítandó Mesterséges Intelligencia műveletsorozat költségét nevezzük a megoldás költségének. Más-más vezérlési stratégiát követve az MI produkciós rendszer, különböző költségű megoldást állíthat elő. Megfigyelhető azonban az is, hogy ugyanaz az MI vezérlési stratégia is különböző költségű megoldáshoz vezethet, ha eltérő mértékben építünk bele Mesterséges Intelligencia heurisztikát. Érezhető, hogy minél több tudást, minél erősebb MI heurisztikát használunk, annál alacsonyabb költségű megoldáshoz jutunk. Általános recept nincs arra, hogyan szerkesztünk Mesterséges Intelligencia heurisztikát, mint ahogy azt sem tudjuk eldönteni az MI produkciós rendszer kipróbálása nélkül, milyen ereje van egy MI heurisztikának.
A Mesterséges Intelligencia heurisztika és a megoldás keresésének költsége.
Az odavaló Mesterséges Intelligencia heurisztika kiválasztásakor nem elsőrendű nézőpont az előállítandó megoldásmód költsége. Csakhogy figyelembe kell venni ezen MI módszer megkeresésének költségét, az MI produkciós rendszer eredményességét is. Egy sakkozó program esetén nem egyedüli cél, hogy a program rendre igen erőseket lépjen, hanem az is, hogy egy-egy lépésre ne használjon el aránytalanul sok gondolkodási időt.
A Mesterséges Intelligencia megoldáskeresés hatékonyságát két költségtényező jellemzi:
-az algoritmus tárigényéből származó költség.
-az algoritmus futás idejéből származó költség.
Egy Mesterséges Intelligencia probléma megoldásakor nem ajánlatos MI produkciós rendszerünket a legnagyobb mértékben "kiokosítani", mert így nem jutunk hatásos programhoz. Ha az MI megoldást jelentő műveletsorozat költségének és az azt meghatározó keresési költségnek valamiféle együttes optimumát szeretnénk meghatározni, az aligha lehetséges egzakt úton, hiszen a kétféle költség "idegen" egymástól. Ilyenkor kísérleti úton kell a megfelelő Mesterséges Intelligencia heurisztikát kiválasztani.
Az MI előrehaladó és a visszafelé haladó működés.
Egy MI produkciós rendszerre alapvetően jellemző, hogy a feladat kezdeti adatait figyelembe véve, addig alkalmazza a produkciós szabályokat, amíg terminális feltételeket kielégítő adatbázishoz jutunk. Egy ilyen MI produkciós rendszer az állapottér reprezentációra támaszkodik, és a kezdőállapotból elindulva fokozatosan építi fel a célállapotba vezető műveletsorozatot, miközben esetleg sok felesleges műveletet is kipróbál. Az ilyen irányba működő MI produkciós rendszert előrehaladó vagy adatvezérelt produkciós rendszernek nevezzük. Amennyiben a Mesterséges Intelligencia feladat egyetlen és ismert célállapottal rendelkezik, akkor alkalmazhatunk úgynevezett visszafelé haladó vagy célvezérelt produkciós rendszert. A visszafelé haladó MI produkciós rendszer globális adatbázisa kezdetben a célállapotot tartalmazza, és a produkciós szabályok inverzeit alkalmazza egészen addig, amíg a kezdő állapotot el nem éri. Mindig a konkrét feladat jellege határozza meg azt, hogy melyik irányú MI produkciós rendszert alkalmazzuk. Kétirányú produkciós rendszer: egyidejűleg két irányból, a kezdő és a célállapot felöl, keresik a két állapotot összekötő műveletsorozatot, és akkor terminálnak, ha ez a két oldalról épített "híd" összeér.
Ügyfélszolgálat és Jogi nyilatkozat
Szolgáltatás neve | Kapcsolattartó neve | Telefonszám |
Asztrológiai rendszerek |
Sándor László | 0 6-7 0-6 3 0-8 8 8 0 |
Feng-Shui / Lakberendező rendszerek |
Sándor László | 0 6-7 0-6 3 0-8 8 8 0 |
Jogi nyilatkozat. Minden Jog Fenntartva! |