El punto que muchos pasan por alto es que los algoritmos generalmente están diseñados con el intento de encontrar una solución óptima a un problema. Si un problema es intratable, se habla de casos especiales.
La IA se centra en la adaptabilidad de los sistemas. Los algoritmos de IA intentan encontrar una solución satisfactoria a un problema dentro de un período de tiempo útil u otras limitaciones de recursos. Como resultado, los programas que buscan una solución satisfactoria deben ser capaces de reconocer una solución, que podría llamarse un estado objetivo, el objetivo de la búsqueda.
Por lo tanto, inherente a la IA es la búsqueda de objetivos y la identificación del estado que podría hacerse mediante la coincidencia de patrones. Los algoritmos escritos para optimizar tomarán datos, los usarán e informarán algunos resultados, con suerte más rápido que otros algoritmos que toman lo mismo en put y producen los mismos resultados. Como tal, los algoritmos no buscan nada, en realidad, simplemente se ejecutan. La IA se trata más de buscar.
El aprendizaje es, por supuesto, parte de la IA. La IA no se trata solo de un comportamiento adaptable orientado a objetivos. El aprendizaje es seguramente una forma de adaptación. ¿El aprendizaje tiene que aplicarse al comportamiento de búsqueda de objetivos de una máquina? No. El aprendizaje en sí mismo puede ser útil para quienes lo usan. El reconocimiento en sí mismo puede ser útil, aprendido o no. Y, la IA puede usar algoritmos para obtener información. AI puede buscar un objetivo y detenerse, informando que se ha encontrado. O bien, puede buscar meta tras meta, en paralelo, en tiempo real, etc. La forma en que AI puede abordar diferentes entornos es una buena parte del trabajo en el tema.
La idea de encontrar una solución satisfactoria se puede ver en sistemas que son bastante rígidos, como los algoritmos. Por lo tanto, resolver el problema del vendedor ambulante con recocido simulado podría producir soluciones consistentemente dentro de un 80% de óptimo en períodos de tiempo realmente aceptables. Pero, un enfoque más algorítmico para TSP podría encontrar un problema insoluble, que se ejecuta aparentemente para siempre, tratando de encontrar la ruta mínima.
El enfoque de recocido simulado actúa de la manera que debería hacerlo un sistema de IA, pero no hace más que trabajar para encontrar una ruta mínima. Del mismo modo, alfa-beta y sus descendientes resuelven un conjunto bastante pequeño de abstractos y / o gráficos. Estas descripciones abstractas se utilizan a menudo como componentes en sistemas integrados más descriptivos. Estos otros sistemas pueden contener montañas de hechos sobre los estados a analizar y muchas formas de proporcionar evaluaciones heurísticas para alimentar los algoritmos esqueléticos creados para la búsqueda y la gestión de objetivos. Las funciones heurísticas son a menudo los objetivos del aprendizaje automático. Por supuesto, estos algoritmos de búsqueda de gráficos proporcionan la punta del iceberg para familias de modos adaptativos y deliberados de comportamiento computacional.
Si bien el enfoque en el aprendizaje es popular en este momento, no es todo el plátano AI. Pero, mejorar en gran medida los procesos de aprendizaje y mejorar la comprensión de por qué los procesos de aprendizaje deberían ir más allá de las estadísticas descriptivas mejora la base de la IA.
¿La meta es aprender o la meta es aprender? Me parece (y me gustaría un poco de debate sobre esto) que el aprendizaje puede suceder sin la búsqueda de objetivos. La búsqueda de objetivos puede suceder sin adaptación, pero los sistemas que funcionan sin adaptación solo pueden alcanzar un pequeño conjunto de objetivos posibles.
