AI espera imitar la inteligencia. ¿Y qué es eso?
La búsqueda ha sido durante mucho tiempo un aspecto del tema, así como la computación simbólica. Algoritmos codiciosos como la primera búsqueda de amplitud y la primera búsqueda de profundidad serían límites en la búsqueda que podrían ocurrir si de alguna manera se utilizara la información global. Profundidad primero, dice que el siguiente mejor lugar para buscar es el primer hijo generado de un estado, mientras que la amplitud dice que el hermano será el próximo mejor lugar más rentable. A * elige el mejor nodo sucesor en función de una función heurística, que con suerte utiliza información global sobre su espacio de estado problemático. Puede producirse cierto paralelismo en la búsqueda de rutas.
En el caso de búsqueda, la función heurística puede usar cualquier información, simbólica, numérica (difusa o estadística), etc. para establecer el valor heurístico.
- ¿Podemos saber que una inteligencia artificial es realmente inteligente?
- ¿Cuáles son los mejores softwares para robótica e inteligencia artificial?
- ¿Cuándo va a destruir AI los trabajos de todos esos abogados arrogantes?
- ¿Cuáles son los mayores desafíos en los proyectos de inteligencia empresarial?
- ¿En qué proyecto simple de inteligencia artificial puedo trabajar con una explicación?
Las representaciones de problemas simbólicos (mundiales) no prohíben el comportamiento inteligente del programa. Muchos programas han trabajado para resolver problemas simbólicos, como aumentar el conjunto de teoremas en un modelo simbólico. Un cierto número de sistemas han funcionado sin asignar pesos preferenciales a las reglas. Los sistemas de planificación de robots, los programas de análisis del lenguaje, los sistemas expertos, los marcos lógicos han funcionado sin pesos probabilísticos, entradas físicas o un sentido del tiempo. Pero, la gente entendió (aunque sea intuitivamente) que los sistemas simbólicos puros carecían de la sensación del mundo real.
La IA ha utilizado desde el principio la incertidumbre. El programa de corrector de Samuels utilizó el aprendizaje por diferencia temporal y de memoria. Las funciones ponderadas para la evaluación del estado formaron la parte métrica de alfa-beta. Los sistemas expertos se escribieron en aplicaciones de reglas simbólicas de encadenamiento hacia adelante y / o hacia atrás. Pero, muy pronto, los sistemas expertos utilizaron la prominencia (por ejemplo, la mejor regla de encadenamiento hacia adelante para el ciclo como un desempate) o métricas de apoyo a la inferencia (por ejemplo, inducción bayesiana). Algunos productos para el hogar (por ejemplo, lavadoras) eligieron modos operativos basados en lógica difusa.
Las construcciones de IA no pueden garantizar un mundo simbólico en el que operen los mejores. Y, los modelos mentales, asociados con las personificaciones computacionales, no pueden ser absolutamente discretos.
Los humanos se reifican. Si me siento en una mesa con una computadora, creo que la mesa es un objeto sólido. Quizás algún aspecto de mi ser sabe que no lo es, es una colección (grupo) de átomos que interactúan libremente. Esta imagen se ofrece solo para ayudar a ilustrar la naturaleza de la mente. Creamos símbolos o conceptos reificados, palabras o imágenes. “Libertad”, un concepto, o “Fido”, un perro. Ninguno de estos grupos de pensamiento identificados simbólicamente es puramente simbólico. La formación de sus ideas no es una sola imagen estática, incluso cuando aceptamos una imagen particular como un conjunto que protege un mar de conceptos enredados. De hecho, pensamos en estas cosas dinámicamente, e incluso nuestros pensamientos asociados con ellas son dinámicos, sensibles al tiempo y al contexto.
Dado que cualquier símbolo que tenga formas y desvanecimientos, podemos ver que el símbolo en sí no es discreto. Tenemos que aceptar algún tipo de realización difusa del símbolo. Las mejores herramientas que tenemos para la representación no discreta del símbolo o las herramientas numéricas. Dado que puede existir un símbolo dentro de una vecindad de alguna representación ideal de un elemento atómico de un modelo semántico, podríamos considerarlo como una buena o mala semejanza del ideal. Podríamos proporcionar una medida de certeza de que el símbolo representa un ideal que está en juego en un proceso continuo de toma de decisiones, en tiempo real, por supuesto (donde los cálculos como los juegos de ajedrez o los sistemas expertos son procesos que se mueven muy lentamente y permiten pasos de tiempo infinitos en los casos del programa colgado). En algunos procesos, el mundo físico podría estar cambiando un estado mundial (problema) a tal velocidad, que los símbolos requeridos en la toma de decisiones no pueden evaluarse tan cerca de ningún ideal. Por lo tanto, los procesos matemáticos (y los algoritmos) necesarios para la hipótesis y la selección de emparejamiento, seguimiento y trayectoria tendrían que ser bastante sofisticados y / o bien ajustados.
Al considerar la IA en el mundo real, uno podría verse tentado a ver el seguimiento del estado como una extensión del tipo de filtrado de Kalman que podría usar un misil de búsqueda de calor. Pero, en última instancia, la IA requiere una conciencia del contexto. Y así, el seguimiento sin sentido de la medición individual no es el plan para la IA. Más bien, se basa en ensamblajes simbólicos anteriores, recuerdos borrosos, para identificar el conjunto simbólico borroso que vive durante un proceso particular seguido para la toma de decisiones dentro del contexto del proceso. Por lo tanto, la IA se trata más de los objetivos de desplazamiento de misiles que buscan calor dada la información táctica y algunos análisis de amenazas de una colección de posibles objetivos. (Por ejemplo, suponga que un grupo de aviones vuela en formación, pero un avión es el líder del grupo. El grupo puede ser rastreado siguiendo cualquier plano y luego cambiando al líder en el momento apropiado).
No me gustan los ejemplos de la guerra, pero funcionó. Quizás pueda haber alguna decisión sobre cómo moverse durante la cirugía a corazón abierto.
Entonces, la IA requiere procesos simbólicos y numéricos u otros procesos, que podrían ser el resultado de transformaciones físicas que a su vez podrían modelarse numéricamente. La IA puede exhibirse en sistemas puramente simbólicos, pero esos sistemas se han limitado a contextos puramente simbólicos. El mundo real no es un proceso simbólico (o lugar) y la mente, orientada hacia la formación simbólica, no forma símbolos exactos, sino difusos. Muchas implementaciones útiles han funcionado modelando un refinamiento computacional del proceso simbólico humano. Pero, se está desarrollando un trabajo más emocionante que acepta la imposibilidad de conceptos discretos, y recurre a modelos matemáticos de los conceptos difusos. En particular, se está desarrollando IA en el contexto de procesos en tiempo real. Y, los procesos en tiempo real en el mundo físico no pueden esperar a que los conceptos difusos se vuelvan discretos (formación de conceptos en tiempo real). Pero, la IA con modelos simbólicos discretos de aproximaciones de toma de decisiones en tiempo real (conceptos modelados almacenados) puede ser más apta para ejecutarse a las velocidades requeridas en contextos físicos en tiempo real.
Las matemáticas de hoy para la IA podrían no ser las matemáticas de mañana para la IA. Pero, el modelado numérico y el modelado simbólico trabajando juntos probablemente siempre tendrán alguna parte en la IA.