Анализ средств и результатов - Means–ends analysis

Анализ средств и результатов[1] (MEA) - метод решения проблем, обычно используемый в искусственный интеллект (AI) для ограничения поиска в программах AI.

Это также метод, используемый, по крайней мере, с 1950-х годов в качестве инструмента творчества, наиболее часто упоминаемый в инженерных книгах по методам проектирования. MEA также связано с подходом к цепочке средств и результатов, который обычно используется при анализе поведения потребителей.[2] Это также способ прояснить свои мысли, когда приступаете к математическое доказательство.

Решение проблем как поиск

Важным аспектом интеллектуального поведения, изучаемым с помощью ИИ, является целенаправленный решение проблемы, структура, в которой решение проблемы может быть описано путем нахождения последовательности действия ведущие к желаемой цели. Предполагается, что целенаправленная система связана с внешней средой посредством сенсорных каналов, через которые она получает информацию об окружающей среде, и моторных каналов, через которые она воздействует на окружающую среду. (Термин «афферентный» используется для описания «входящих» сенсорных потоков, а «эфферентный» используется для описания «внешних» моторных команд.) Кроме того, система имеет некоторые средства сохранения в объем памяти информация о государственный среды (афферентная информация) и информация о действиях (эфферентная информация). Способность достигать целей зависит от создания ассоциаций, простых или сложных, между конкретными изменениями в состояниях и конкретными действиями, которые приведут к этим изменениям. Поиск - это процесс обнаружения и сборки последовательностей действий, которые приведут из заданного состояния в желаемое. Хотя эта стратегия может быть подходящей для машинного обучения и решения проблем, она не всегда рекомендуется для людей (например, когнитивная нагрузка теория и ее последствия).

Как работает анализ средств и целей

Методика MEA - это стратегия управления поиском при решении проблем. Учитывая текущее состояние и состояние цели, выбирается действие, которое уменьшит разница между двумя. Действие выполняется в текущем состоянии для создания нового состояния, и процесс рекурсивно применяется к этому новому состоянию и состоянию цели.

Обратите внимание, что для того, чтобы MEA была эффективной, система целеполагания должна иметь средства, позволяющие связать с любым обнаруживаемым различием те действия, которые имеют отношение к уменьшению этого различия. Он также должен иметь средства для обнаружения прогресса, который он делает (изменения различий между фактическим и желаемым состоянием), так как некоторые предпринятые последовательности действий могут потерпеть неудачу и, следовательно, могут быть испробованы некоторые альтернативные последовательности.

Когда доступны сведения о важности различий, в первую очередь выбирается наиболее важное различие для дальнейшего улучшения средней производительности MEA по сравнению с другими стратегиями поиска методом грубой силы. Однако даже без упорядочения различий по важности MEA улучшается по сравнению с другими эвристиками поиска (опять же в среднем случае), фокусируя решение проблемы на фактических различиях между текущим состоянием и состоянием цели.

Некоторые системы ИИ, использующие MEA

Методика MEA как стратегия решения проблем была впервые представлена ​​в 1961 г. Аллен Ньюэлл и Герберт А. Саймон в их компьютерной программе решения проблем Решение общих проблем (GPS).[3][4] В этой реализации соответствие между различиями и действиями, также называемое операторы, предоставляется в системе априори как знание. (В НГМ это знание было в виде таблица соединений.)

Когда действие и побочные эффекты применения оператора очевидны[требуется разъяснение ] поиск может выбрать соответствующих операторов путем просмотра операторов и обойтись без таблицы соединений. Последний случай, каноническим примером которого является Полоски, автоматизированное планирование компьютерная программа, позволяет независимо от задачи соотносить различия с операторами, которые их уменьшают.

Вундеркинд, средство решения проблем, разработанное в рамках более крупного проекта автоматизированного планирования с помощью обучения, начатого в Университет Карнеги Меллон Джейми Карбонелл, Стивен Минтон и Крейг Ноблок - еще одна система, в которой использовалась MEA.

Профессор Мортен Линд, в Технический университет Дании разработал инструмент под названием Многоуровневое моделирование потока (MFM). Он выполняет диагностическое обоснование на основе средств и целей для промышленных систем управления и автоматизации.[нужна цитата ]

Смотрите также

Рекомендации

  1. ^ Саймон, Х.А. (1981). Науки об искусственном. Кембридж, Массачусетс: MIT Press.
  2. ^ Качак, Э. и Каллен, Ч.В. (2006). Анализ данных о цепочке средств и результатов в маркетинговых исследованиях. Журнал таргетинга, измерения и анализа для маркетинга 15, 12 - 20.
  3. ^ Ньюэлл А. и Саймон Х. А. (1959). Моделирование человеческой мысли. Санта-Моника, Калифорния: Rand Corp.
  4. ^ Ньюэлл А. и Саймон Х. А. (1961). GPS, программа, имитирующая человеческое мышление. Санта-Моника, Калифорния: Rand Corporation.