これら7つのAI問題の特性は、問題へのアプローチを決定するのにどのように役立ちますか？

このリスト¹を使用してAIの問題を分類できる場合...

• より小さな問題またはより簡単な問題に分解可能
• 解決手順は無視または元に戻すことができます
• 予測可能な問題の世界
• 良い解決策は明らかです
• 内部的に一貫した知識ベースを使用
• 多くの知識を必要とするか、知識を使用してソリューションを制約する
• 人間とコンピューター間の定期的な相互作用が必要

...これらの次元に沿った問題の配置とその解決策に適したアルゴリズム/アプローチとの間に一般に受け入れられている関係はありますか

参照資料

[1] https://images.slideplayer.com/23/6911262/slides/slide_4.jpg

リスト

このリストは、ミシガン大学の工学、コンピューター、情報科学の教授であるブルース・マキシムに由来しています。1998年春のCIS 479のノート¹では、次のリストが呼び出されました。

「人工知能の良い問題。」

  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

それからこれに進化しました。

  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

それは何ですか

彼のリストは、ソリューションアプローチの最初の分岐点としてのAI問題カテゴリのリストや、「満足できるソリューションを見つけるプロセスを高速化するために設計されたヒューリスティック手法」を意図したものではありませんでした。

マキシムは、このリストを彼の学術出版物のいずれにも決して追加しませんでした。その理由はあります。

リストは異種です。メソッド、グローバル特性、課題、概念的アプローチが要素のように1つのリストに混在しています。これは、「AIにとって良い問題」のリストの欠点ではありませんが、AIの問題の特性またはカテゴリの正式な声明として、必要な厳密さを欠いています。マキシムは確かに、「7 AI問題の特性」リストとしてそれを表明していませんでした。

確かに、「7 AI問題の特性」リストではありません。

カテゴリまたは特性リストはありますか？

AIの問題に適したカテゴリリストはありません。作成した場合、人間の脳が解決した数百万の問題のうち、いずれのカテゴリにも当てはまらない、または2つの境界に収まらない問題を考えるのは簡単だからです。以上のカテゴリ。

問題の特性リストを作成することは考えられますが、マキシムのAIの問題リストに触発された可能性があります。初期アプローチリストを作成することも考えられます。次に、最初のリストの特性から2番目のリストのアプローチの最適な見通しに矢印を描くことができます。包括的かつ厳密に対処すれば、出版に役立つ記事になります。

アプローチリストへの初期の高レベル特性

以下は、経験豊富なAIアーキテクトが、アプローチを選択する前に高レベルのシステム要件を解明するために尋ねる可能性のある質問のリストです。

• タスクは、動作した後、大幅な調整を必要としないという点で本質的に静的ですか？この場合、AIはシステムの設計、製造、および構成で最も役立つ可能性があります（パラメータのトレーニングを含む可能性があります）。
• そうでない場合、タスクは基本的に20世紀初頭に開発された制御理論が分散に適応できるように変化しますか？その場合、AIも調達で同様に役立つ可能性があります。
• そうでない場合、システムはインテリジェンスが必要になる可能性のある十分な非線形および時間的複雑さを所有する場合があります。次に、現象がまったく制御可能かどうかが問題になります。その場合、AI技術は展開後にリアルタイムで使用する必要があります。

アーキテクチャへの効果的なアプローチ

設計、製造、構成の各ステップを個別に組み立てる場合、同じプロセスに従ってAIが果たす役割を決定できます。これは、アイデアの全体的な製品化をデザインのようなものに分解するため、再帰的に実行できます。 A / Dコンバーター、またはコンピュータービジョンの特定の段階で使用する畳み込みカーネルサイズ。

AIを使用した他の制御システム設計と同様に、使用可能な入力と目的の出力を決定し、基本的なエンジニアリング概念を適用します。少なくとも今のところ、エキスパートシステムや人工ネットのためにエンジニアリングの規律が変わったと考えるのは間違いです。

AIと制御システムエンジニアリングは共通の起源を共有しているため、制御システムエンジニアリングで大きな変化はありません。選択できる追加のコンポーネントと、設計、建設、品質管理に使用する追加の理論だけがあります。

ランク、次元、およびトポロジ

AIシステム内の信号、テンソル、およびメッセージのランクと次元に関して、デカルト次元は、人間の脳のさまざまな精神的品質のシミュレーションにアプローチする際に、内部の個別の品質を特徴付ける正しい概念であるとは限りません。トポロジは、多くの場合、システムで人工的に開発したい人間の知能で見られる種類の多様性を最も正確にモデル化する数学の重要な領域です。

さらに興味深いことに、トポロジは、コンピューターも人間の脳も十分に装備されていない新しいタイプのインテリジェンスを開発するための鍵になる可能性があります。

参照資料

http://groups.umd.umich.edu/cis/course.des/cis479/lectures/htm.zip

7 AI問題の特性は、人工知能の問題に対する満足のいく解決策を見つけるプロセスを高速化するために設計されたヒューリスティック手法です。

コンピューターサイエンス、人工知能、数学的最適化では、ヒューリスティックとは、問題をより迅速に解決するため、または古典的な方法を使用して正確な解を見つけられなかった場合に近似解を見つけるために設計された手法です。

7 AI問題手法は、利用可能な情報に基づいて代替手順をランク付けし、問題を解決する際に従うべき最も適切なアプローチ（宣教師と人食い人、ハノイの塔、巡回セールスマンなど）を決定するのに役立ちます。

問題の配置と適切なアルゴリズムの間に一般に受け入れられている関係があるかどうかについて。答えは、実際に一般に受け入れられている関係があるということです。たとえば、チェスのゲームと数独のゲームを解決しようとすることを想像してください。

数独でステップが間違っている場合、バックトラックして別のアプローチを試すことができます。しかし、チェスのゲームをプレイしていて、2、3の動きの後に間違いを発見した場合。私たちは単に間違いとバックトラックを無視することはできません。（第2の特徴）

問題の範囲が予測可能な場合、解決につながることが保証されている一連の操作を生成する計画を立てることができます。しかし、結果が不確実な問題の場合、必要なフィードバックを提供しながら計画が実行されるため、計画の改訂プロセスに従う必要があります。（3番目の特性）

以下は、水差しの問題を解決するために適用される7つのAI問題の特性の例です。

画像ソース https://gtuengineeringmaterial.blogspot.com/2013/05/discuss-ai-problems-with-seven-problem_1818.html