Esta es una excelente pregunta. Tanto AI como OR pueden significar muchas cosas, así que usaré las definiciones / objetivos clásicos a continuación:
AI: cree agentes autónomos que puedan aprender a tomar decisiones ampliamente competentes en entornos complejos, dinámicos e inciertos.
O – Es la ciencia y el arte de llegar a soluciones óptimas o casi óptimas para problemas complejos de toma de decisiones.
La conexión clave entre los dos es la toma de decisiones, que cuando se fija matemáticamente, se reduce a algún problema de optimización. Por lo tanto, un gran representante para comparar los dos campos será la toma de decisiones secuenciales. En IA, en general, se trata de aprendizaje de refuerzo, y en OR y campos relacionados (como la teoría de control) se encuentra bajo un control estocástico óptimo. La idea es tomar decisiones o controlar movimientos secuencialmente al detectar cómo responde el entorno o el sistema a cualquier movimiento que realice. (El ajedrez es un ejemplo clásico)
- ¿Cuáles crees que serán las mayores aplicaciones comerciales de IA en los próximos 5 años?
- ¿La IA desarrollará la autoconciencia o será la conciencia humana la que se unirá a la IA?
- ¿Cómo se compara Wolfram | Alpha con el conocimiento verdadero?
- ¿Los robots, la automatización, la inteligencia artificial y las computadoras nos dejarán a todos desempleados?
- ¿Tiene sentido relacionar la regresión polinómica y las redes neuronales? ¿Puedes hablar de sus diferencias y similitudes?
O ha estudiado este problema durante mucho tiempo y se le ocurrió la idea de modelarlo utilizando MDP y técnicas de solución como la programación dinámica. Por lo general, suponen que conoce el MDP y, por lo tanto, el modelado entra en escena. AI revirtió el paradigma y formuló la pregunta: ¿es posible aprender realmente qué es el MDP haciendo múltiples ejecuciones de prueba? Por lo tanto, la inteligencia artificial se basa en herramientas desarrolladas en quirófano. Naturalmente, esto ha llevado a más preguntas que la comunidad OR está abordando. En mi opinión, los dos campos son muy cercanos cuando se tiene en cuenta el objetivo clásico. Las áreas superpuestas son RL, control, herramientas estadísticas para la toma de decisiones y predicciones, teoría de juegos y algoritmos para la optimización (estocástico, en línea, no convexo, etc.)