AI & robotik

Vetenskap / AI & robotik / Allt om AI / Problem

Problem och underproblem i skapandet av AI

Artificiell Intelligens - Problem

Det generella problemet med att skapa eller simulera intelligens har brutits ner i flera specifika underproblem. Dessa underproblem utgör särskilda egenskaper eller förmågor som forskare vill att intelligenta system ska ha.

Deduktion, förnuft, problemlösning

Tidigare AI-forskare utvecklade algorytmer som imiterade steg-för steg logiska resonemang som människor använder sig av när de löser pussel eller gör matematiska deduktioner. Mot slutet av 1980 och 1990-talen hade AI-forskare framgångsrikt använt sig av metoder för att handskas med osäker eller ofullständig information genom att använda sannolikhetsmetoder.

För lösning av svåra problem, kan dessa algoritmer kräva enorma beräkningsresurser. Mängden minne som en dator behöver blir astronomiska när problemet är för stort. Sökandet efter effektivare problemlösning algorytmer är därför en hög prioritet för AI forskningen idag.

Människan löser de flesta problem genom snabba intuitiva resonemang snarare än medveten steg för steg deduktion. AI har idag gjort vissa framsteg i att imitera den här sortens ”under-symboliska” problemlösning. Vissa forskare betonar vikten av sensomotoriska färdigheter; andra försöker simulera strukturerna i den mänskliga hjärnan medan andra simulerar människans förmåga att gissa.

Kunskapsrepresentation

En ontologi representerar kunskap som en serie koncept (idéer eller begrepp) inom ett område  och sambanden mellan dessa koncept.

Kunskapsrepresentation och kunskapsutveckling är centrala för AI-forskning. Många av de problem som maskinerna väntas lösa kommer att kräva mycket stor kunskap om världen. Bland de objekt eller de saker som AI måste representera är objekt, egenskaper, kategorier och relationer mellan objekten; situationer, händelser, tillstånd och tid; orsak och verkan; kunskap om kunskap (vad vi vet om vad andra vet); och många andra, mindre omtalade områden. En representation av ”vad som finns” är en ontologi. De vanligaste ontologierna kallas högre ontologier.

De allra svåraste problemen med kunskapsrepresentation är:

Standard resonemang och kvalificeringsproblemet:

Många av de saker som man känner till tar form av ”fungerande antaganden”. Om en fågel dyker upp i ett samtal, föreställer sig människor normalt sett ett litet djur med vingar, som sjunger och flyger. Ingen av dessa egenskaper är sanna om alla fåglar.  John McCarthy identifierade det här problemet år 1969 och kallade det ”kvalificeringsproblemet”. För varje sunt förnuft-regel som existerar och som AI forskare försöker representera, finns det många undantag.  Nästan ingenting är helt enkelt sant eller falskt på det sätt som abstrakt logik kräver.  AI forskning har undersökt ett antal lösningar på detta problem.

Det sunda förnuftets bredd

Antalet faktan som varje person känner till är astronomiska. Forskningsprojekt som försöker bygga upp en komplett kunskapsbas sunt förnuft-kunskap kräver enorm arbetstid för ontologisk ingenjörskonst. Dessa måste byggas upp för hand, ett komplicerat koncept för sig. ett viktigt mål är att få datorn att förstå tillräckligt med koncept för att kunna lära sig från olika källor såsom internet, och därmed kunna lägga till sin egen ontologi.

Den undersymboliska formen hos sunt förnuft kunskap

Mycket av det som människor vet om representeras inte som ”fakta” eller ”påståenden” som de kan uttrycka verbalt. Till exempel kan en schackmästare undvika ett visst drag, eftersom de ”känner sig för utsatta”. En konstkritiker kan ta en närmare titt på en staty och omedelbart inse att den är falsk. Den här intuitionen representeras i hjärnans icke-medvetna eller undersymboliskt. Sådan kunskap informerar, stödjer eller förser med sammanhang för medveten kunskap.  Man hoppas att man med hjälp av datorintelligens eller statistisk AI ska kunna lyckas representera den här typen av kunskap.

Planering

Ett hierarkiskt styr- eller kontrollsystem är en form av kontroll i vilken ett antal enheter och styrprogram arrangeras i en hierarki. Intelligenta agenter måste kunna sätta upp mål och uppnå dem. De behöver ett sätt att kunna visualisera framtiden (de måste ha en representation av världens tillstånd och ha förmågan att göra förutsägelser om hur deras handlingar kommer att förändra den) och kunna göra val som maximerar nyttan (eller ”värdet”) av de tillgängliga alternativen.

I klassiska planeringsproblem, kan agenten anta att han är den enda kraften som påverkar världen och att han kan vara säker vilka konsekvenserna av sitt eget handlande kan vara. Men om agenten inte är den enda aktören måste agenten ständigt kontrollera om världen matchar förutsägelserna och förändra sina planer om nödvändigt, något som stället krav på att kunna resonera under osäkerhet. Planering där flera agenter blir inblandade använder sig av samarbete och konkurrens och flera agenters samverkan för att uppnå ett visst mål. Sådant utvecklingsbeteende används av evolutionära algorytmer och svärmintelligens.

Lärande (Maskinlärande)

Maskininlärning

Maskininlärning har varit viktig för AI-forskning från första början. År 1956, vid den ursprungliga Dartmouth AI-sommarkonferensen, skrev Ray Solomonoff en rapport om oövervakad probabilistisk maskininlärning: ”En induktiv interferens Maskin” (An Inductive Inference Machine). Oövervakad maskininlärning handlar om förmågan att hitta mönster i en ström av input. Övervakad inlärning inkluderar både klassificering och numerisk regression. Klassificering används för att bestämma vilken kategori någon hör hemma i, efter att ha sett ett antal exempel av saker från flera olika kategorier. Regression är försöket att producera en funktion som beskriver sambandet mellan input och output och göra förutsägelser om hur outputen förändras när inputen förändras. I lärande där förstärkning används belönas agenten för goda reaktioner och straffas för dåliga reaktioner. Dessa kan analyseras i beslutsteoretiska kontexter, med hjälp av begrepp som nytta. Maskinlärandets matematiska analyses algorytmer och deras prestationer är en gren av teoretisk datavetenskap som kallas för datoriserad inlärningsteori.

Naturlig språkbehandling

En parse träd representerar den syntaktiska strukturen i en mening enligt vissa formella grammatiska regler. Naturlig språkbehandling ger maskiner förmågan att lösa och förstå de språk som människor talar. Ett tillräckligt kraftfullt system för naturlig språkbehandling skulle kunna göra naturliga språks gränssnitt möjliga samtidigt som förvärvet av kunskap skulle komma direkt från skriftliga källor, såsom Internettexter. 

Några enkla tillämpningar av naturligt språk innehåller informationssökning (eller text mining) och maskinöversättning. En vanlig metod för att bearbeta och utvinna mening ur naturligt språk är genom semantisk indexering. Ökningar i bearbetningshastigheten och minskningen av kostnaden för datalagring gör indexering av stora volymer av abstraktioner av användarnas input mycket effektivare.

Rörelse och manipulation

Robotik

Robotik är nära besläktad med AI. Intelligens krävs för att robotar ska kunna klara av sådana uppgifter som objekt manipulation och navigering, med ytterligare problem för lokalisering (att veta var någonstans man befinner sig), kartläggning (lära sig vad som finns runt omkring) och rörelseplanering (räkna ut hur man tar sig dit).

Perception

Maskinperception är förmågan att använda information från sensorer (såsom kameror, mikrofoner, ekolod och andra mer exotiska sensorer) för att förstå delar av miljön. Datorvision är förmågan att analysera visuell information.  Några problem är språk igenkänning, ansiktsigenkänning och objektigenkänning.

Social intelligens

Affektiv datorvetenskap är studien och utvecklingen av system och enheter som kan känna igen, tolka, bearbeta och simulera mänskliga känslor.  Det är ett tvärvetenskapligt område som sträcker sig över datavetenskap, psykologi och kognitionsvetenskap. Även om fältets ursprung kan spåras tillbaka till tidiga filosofiska frågor om känslor, uppstod den moderna grenen av datavetenskap med Rosalind Picards 1995 års papper om affektiv datavetenskap. En anledning till den här forskningen är förmågan att simulera empati.   Maskinen ska kunna tolka emotionella tillstånd hos människor och anpassa sitt beteende i enlighet med dessa och ge en lämplig respons för dessa känslor. Detta involverar element i spelteori, beslutsteori, såväl som förmågan att modellera mänskliga känslor och perceptuella förmågor att upptäcka känslor. Också i ett försök att underlätta människa-datorinteraktion, bör en intelligent maskin kunna visa känslor – även om den inte upplever dem själv – för att verka känslig inför känslodynamiken i mänsklig interaktion.

Kreativitet

Ett av fälten inom AI sysslar med kreativitet, både teoretiskt (från filosofiska och psykologiska perspektiv) och praktiskt (genom specifik tillämpning av system som genererar output som kan anses kreativ, eller system som kan identifiera och bedöma kreativitet). Besläktade områden är Artificiell Intuition och Artificiell Fantasi.

Generell intelligens

De flesta forskare hoppas att deras jobb så småningom kommer att inkorporeras i en maskin med generell intelligens (kallad Strong AI) som kombinerar alla förmågor ovan och som dessutom överträffar de mänskliga förmågorna eller i alla fall de flesta av dem.  Några forskare tror att antromorfiska egenskaper som artificiellt medvetande eller en artificiell hjärna kan behövas för ett sådant projekt.

Många av de problem som nämns ovan anses vara delar av det som brukar kallas för ”AI-complete” eller fullständig AI. För att kunna lösa ett problem måste man lösa alla andra.  Till exempel kräver även en enkel specifik uppgift som maskinöversättning att maskinen kan följa författarens argumentering (förnuft), förstår vad man pratar om (kunskap), och troget översätter författarens intention (social intelligens). Dataöversättning betraktas därför för ”AI-complete”: den kräver ”strong AI” för att maskinen ska kunna slutföra uppgiften lika bra som människor kan.

Källa: Arficial Intelligence