이 목록 1 을 사용하여 AI의 문제를 분류 할 수 있다면 ...
- 더 작거나 쉬운 문제로 분해 가능
- 해결 단계는 무시하거나 취소 할 수 있습니다
- 예측 가능한 문제 우주
- 좋은 해결책은 분명하다
- 내부적으로 일관된 지식 기반을 사용합니다.
- 솔루션을 제한하기 위해 많은 지식이 필요하거나 지식을 사용함
- 인간과 컴퓨터 사이의 주기적 상호 작용이 필요합니다
...이 차원에 따른 문제의 배치와 솔루션에 대한 적합한 알고리즘 / 접근 사이에는 일반적으로 허용되는 관계가 있습니까?
참고 문헌
[1] https://images.slideplayer.com/23/6911262/slides/slide_4.jpg
답변:
리스트
이 목록은 University of Michigan의 컴퓨터 및 정보 과학 교수 Bruce Maxim에서 시작되었습니다. CIS 479 1에 대한 1998 년 봄 강의에서 강의 에서 다음 목록이 호출되었습니다.
"인공 지능에 대한 좋은 문제."
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
그 후로 이것으로 진화했습니다.
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
그것은 무엇인가
그의 목록은 결코 솔루션 접근법의 초기 분기점 또는 "만족스러운 솔루션을 찾는 프로세스의 속도를 높이기 위해 고안된 휴리스틱 기술"로서 AI 문제 범주 목록으로 의도 된 것이 아닙니다.
Maxim은 자신의 학술 출판물에이 목록을 추가하지 않았으며 그 이유가 있습니다.
이 목록은 이기종입니다. 여기에는 방법, 글로벌 특성, 도전 과제 및 개념적 접근 방식이 마치 요소와 같은 것처럼 하나의 목록으로 혼합되어 있습니다. "AI에 대한 좋은 문제"목록의 단점은 아니지만 AI 문제 특성 또는 범주에 대한 공식적인 설명으로서 필요한 엄격함이 부족합니다. Maxim은이를 "7 AI 문제 특성"목록으로 나타내지 않았습니다.
"7 AI 문제 특성"목록은 아닙니다.
카테고리 또는 특성 목록이 있습니까?
인공 지능 문제에 대한 좋은 범주 목록은 없습니다. 왜냐하면 하나는 하나를 만들면 인간의 두뇌가 해결 한 수백만 가지 문제 중 하나에 대해 쉽게 생각할 수 있기 때문입니다. 또는 더 많은 카테고리.
문제 특성 목록을 개발할 수 있으며 Maxim의 AI에 대한 좋은 문제 목록에서 영감을 얻을 수 있습니다. 초기 접근리스트를 개발하는 것도 고려 될 수있다. 그런 다음 첫 번째 목록의 특성에서 두 번째 목록의 접근 방식에 가장 적합한 전망으로 화살표를 그릴 수 있습니다. 그것은 포괄적이고 엄격하게 다루어지면 출판에 좋은 기사가 될 것입니다.
접근 목록에 대한 초기 높은 수준의 특성
다음은 숙련 된 AI 설계자가 접근 방식을 선택하기 전에 높은 수준의 시스템 요구 사항을 설명하도록 요구할 수있는 질문 목록입니다.
아키텍처에 대한 효과적인 접근
디자인, 제작 및 구성 단계를 개별적으로 구성하는 경우 동일한 프로세스를 수행하여 AI가 어떤 역할을 수행 할 수 있는지 결정할 수 있으며 아이디어의 디자인과 같은 것까지 아이디어의 전체 제품화를 분해하기 때문에 재귀 적으로 수행 할 수 있습니다. 컴퓨터 비전의 특정 단계에서 사용할 A / D 변환기 또는 컨볼 루션 커널 크기
AI를 사용하는 다른 제어 시스템 설계와 마찬가지로 사용 가능한 입력 및 원하는 출력을 결정하고 기본 엔지니어링 개념을 적용하십시오. 전문가 시스템이나 인공적인 그물 때문에 공학 분야가 바뀌 었다고 생각하는 것은 적어도 지금은 실수입니다.
AI와 제어 시스템 엔지니어링은 공통된 기원을 공유하기 때문에 제어 시스템 엔지니어링에는 큰 변화가 없습니다. 설계, 시공 및 품질 관리에 채택 할 수있는 추가 구성 요소 및 추가 이론이 있습니다.
순위, 차원 및 토폴로지
AI 시스템 내에서 신호, 텐서 및 메시지의 순위와 차원과 관련하여 직교 차원은 인간 두뇌의 다양한 정신적 특성에 대한 시뮬레이션에 접근 할 때 항상 내부의 개별 특성을 특성화하는 올바른 개념은 아닙니다. 토폴로지는 종종 시스템에서 인위적으로 개발하려는 인간 지능에서 볼 수있는 다양성의 종류를 가장 정확하게 모델링하는 수학의 핵심 영역입니다.
더 흥미롭게도, 토폴로지는 컴퓨터 나 사람의 두뇌 모두에게 적합하지 않은 새로운 유형의 지능을 개발하는 열쇠 일 수 있습니다.
참고 문헌
http://groups.umd.umich.edu/cis/course.des/cis479/lectures/htm.zip
7 가지 AI 문제 특성은 인공 지능 문제에 대한 만족스러운 해결책을 찾는 프로세스의 속도를 높이도록 설계된 휴리스틱 기술입니다.
컴퓨터 과학, 인공 지능 및 수학 최적화에서 휴리스틱은 문제를 더 빨리 해결하거나 고전적인 방법을 사용하여 정확한 솔루션을 찾지 못한 경우 근사한 솔루션을 찾기 위해 설계된 기술입니다.
7 가지 AI 문제 기술은 이용 가능한 정보를 바탕으로 대체 단계를 순위 매김하여 문제를 해결하는 데 가장 적합한 접근 방식 (예 : 선교사 및 식인종, 하노이 탑, 여행사 등)을 결정하는 데 도움을줍니다.
문제의 배치와 적절한 알고리즘 사이에 일반적으로 허용되는 관계가 있는지 여부와 관련하여. 그 대답은 실제로 일반적으로 받아 들여지는 관계가 있다는 것입니다. 예를 들어 체스 게임과 스도쿠 게임을 해결하려고한다고 상상해보십시오.
스도쿠에서 한 단계가 틀린 경우 역 추적하고 다른 접근법을 시도 할 수 있습니다. 그러나 우리가 체스 게임을하고 몇 번의 움직임 후에 실수를 깨닫는다면. 실수와 역 추적을 무시할 수는 없습니다. (2 차 특성)
문제 세계가 예측 가능한 경우 솔루션으로 이어질 수있는 일련의 작업을 생성 할 계획을 세울 수 있습니다. 그러나 불확실한 결과에 문제가있는 경우, 필요한 피드백을 제공하면서 계획이 수행 될 때 계획 수정 프로세스를 따라야합니다. (3 차 특성)
다음은 물 주전자 문제를 해결하기 위해 적용되는 7 가지 AI 문제 특성의 예입니다.
이미지 소스 https://gtuengineeringmaterial.blogspot.com/2013/05/discuss-ai-problems-with-seven-problem_1818.html