К концу 1980-х и к 1990-м годам в рамках исследований AI были разработаны методы борьбы с неопределенной или неполной информацией с помощью применения концепций теории вероятности и экономики.
Для сложных задач алгоритмов может потребоваться огромное количество вычислительных ресурсов большинство из них сталкивается с феноменом «комбинаторного взрыва»: объем памяти или требуемое компьютерное время становится астрономическим для задач определенного размера. Поиск более эффективных алгоритмов решения проблем является высоко приоритетным.
Люди обычно используют быстрые, интуитивные суждения, а не поэтапный вывод, что раннее исследование AI могло моделировать. AI продвигался с использованием «подсимвольного» решения проблем: воплощенные подходы агента подчеркивают важность сенсомоторных навыков для более высоких рассуждений; исследование нейронной сети пытается имитировать структуры внутри мозга, порождающие это умение; статистические подходы к AI имитируют способность человека угадывать.
Представление и технология знаний
Онтология это знание, рассматриваемое как набор понятий внутри домена и как взаимоотношения между этими понятиями.
Если говорить об исследовании AI, то в нем особое место отводится представлению и технологии знаний. Многим из проблем, решение которых будет осуществляться машинами, потребуются обширные знания о мире.
AI должен нацеливаться на представление: объектов, свойств, категорий и отношений между объектами; ситуаций, событий, состояний и времени; причин и последствий; знаний о знании; и многих иных, менее хорошо исследованных доменов. Представление «того, что существует» это онтология. Она состоит из набора объектов, отношений, понятий и свойств, формальным образом описанных, чтобы они могли быть интерпретированы программными агентами. В семантику они захватываются как описания логических понятий, ролей и отдельных лиц, и, они, как правило, реализуются в виде классов, свойств и частных лиц в Web онтологиях языка.
Если рассматривать онтологии, то они считаются онтологиями верхними, стремящимися к обеспечению базы для всех иных знаний, выступающими в качестве посредников между онтологиями доменов, охватывающих конкретные знания о конкретной области знаний (области интересов или области, вызывающие озабоченность).
Если знания формализованы, они являются пригодными для индексирования и поиска на основе контента, интерпретации сценариев, поддержки клинических решений, обнаружения знаний с помощью автоматизированных рассуждений (вывод новых заявлений на основе явно заявленных знаний) и т. д. Видеорепортажи часто представляются в виде правил SWRL, их реально использовать, скажем, для автоматического создания субтитров для ограниченного видео.
Среди наиболее сложных проблем в представлении знаний следующие.
Определение по умолчанию и проблема квалификации. Многие вещи, которые люди знают, принимают форму «рабочих предположений». Например, если в разговоре появляется птица, люди обычно изображают животное размером с кулак, она поет и летит. Ни одна из этих вещей не относится ко всем птицам.
Джон МакКарти определил эту проблему в 1969 году как проблему квалификации: для любого правила здравого смысла, которое должны представлять исследователи AI, существует обычно огромное количество исключений. Почти нет ничего истинного или ложного в том, чего требует абстрактная логика. Исследованиями AI охватывается ряд решений этой проблемы.
Широта знаний здравого смысла. Число атомных фактов, известных среднему человеку, очень велико. Исследовательские проекты, пытающиеся построить полную базу знаний здравого смысла (например, Cyc), требуют огромного количества трудоемкой онтологической инженерии они должны быть построены вручную с одной сложной концепцией за раз.
Основная цель состоит в том, чтобы компьютер понимал достаточно понятий, чтобы учился, читая из таких источников, как Интернет, и тем самым мог бы добавить к своей собственной онтологии.
Подсимвольная форма некоторого знания здравого смысла. Многое из того, что знают люди, не представлено в виде «фактов» или «заявлений», которые они могли бы выразить в устной форме. Например, мастер шахмат избежит определенной шахматной позиции, потому что он при ней «чувствует себя слишком разоблаченным», или искусствовед может взглянуть на статую и понять, что это подделка. Это бессознательные и субсимволические интуиции или тенденции в мозге человека. Знания, подобные этому, информируют, поддерживают и предоставляют контекст для символических, сознательных знаний. Как и в связанной с этим проблеме подсимвольных рассуждений, есть надежда, что вычислительный AI или статистический AI обеспечит способы представления такого рода знаний.
1.3 Планирование. Машинное обучение
Планирование
Иерархическая система управления представляет собой форму системы управления, в которой множество устройств и программного обеспечения расположены в иерархии.
Интеллектуальные агенты должны иметь возможность устанавливать цели и добиваться их. Им нужен способ визуализировать будущее представления состояния мира, они должны иметь возможность делать прогнозы о том, как их действия изменят его, и иметь шанс делать выбор, максимизирующий полезность (или «ценность») доступных вариантов.