Максим Криппа: “Прорыв в области искусственного интеллекта наступит уже завтра”
Многие проблемы в ИИ могут быть решены теоретически путем интеллектуального поиска множества возможных решений: рассуждение может быть сведено к выполнению поиска.
Например, логическое доказательство можно рассматривать как поиск пути, который ведет от предположений к выводам, где каждый шаг является применением правила вывода. Алгоритмы планирования выполняют поиск по деревьям целей и подцелей, пытаясь найти путь к целевой цели, процесс, называемый анализом средств. Алгоритмы робототехники для перемещения конечности и захватывающих объектов используют локальные поиски в конфигурационном пространстве. Многие алгоритмы обучения используют алгоритмы поиска на основе оптимизации.
Простые исчерпывающие поиски редко бывают достаточными для большинства реальных проблем: пространство поиска (количество мест для поиска) быстро растет до астрономических чисел. Результатом является поиск, который слишком медленный или никогда не завершается. Решение многих проблем состоит в том, чтобы использовать «эвристику» или «эмпирические правила», которые определяют приоритеты выбора в пользу тех, которые с большей вероятностью достигают цели, и делают это за меньшее количество шагов. В некоторых методологиях поиска эвристика также может полностью устранить некоторые варианты, которые вряд ли приведут к цели (так называемая «обрезка дерева поиска»). Эвристика предоставляет программе «лучшее предположение» для пути, на котором лежит решение. Эвристика ограничивает поиск решений меньшим размером выборки.
В 90-е годы в значительной степени занялся поиском совершенно другого вида, основанного на математической теории оптимизации. Для многих проблем можно начать поиск с некоторой догадки, а затем уточнить догадки, пока не будет сделано никаких уточнений. Эти алгоритмы можно визуализировать как слепое поднятие холма: мы начинаем поиск в случайной точке на ландшафте, а затем, прыжками или шагами, мы продолжаем двигаться вперед, пока мы не достигнем вершины. Другие алгоритмы оптимизации — имитируемый отжиг, поиск луча и случайная оптимизация. Подробнее про Криппа Максим Владимирович на антикоре из источника : https://antikor.com.ua/articles/215216-maksim_krippa_proryv_v_oblasti_iskusstvennogo_intellekta_nastupit_uhe_zavtra
Эволюционное вычисление использует форму поиска оптимизации. Например, они могут начинаться с популяции организмов (догадки), а затем позволяют им мутировать и рекомбинировать, выбирая только наиболее приспособленные, чтобы выжить в каждом поколении (уточняя догадки). Формы эволюционных вычислений включают в себя алгоритмы роевой разведки (такие как оптимизация муравьев колонии или частиц) и эволюционные алгоритмы (такие как генетические алгоритмы, программирование генной экспрессии и генетическое программирование).
