Искусственный интеллект и маркетинг

Иерархическая система управления обеспечивает мост между суб символическим AI на самом низком уровне, реактивным и традиционным символическим AI на самом высоком уровне, где смягченные временные ограничения позволяют обеспечивать моделирование планирования по всему миру.

Поиск и оптимизация, математические инструменты, глубокое обучение

Решение многих из проблем в AI возможно на базе теоретического подхода благодаря интеллектуальному поиску многочисленных возможных решений. Рассуждения могут быть сведены к процедуре поиска.

К примеру, рассмотрение логического доказательства возможно в виде поиска пути, ведущего к выводу, где каждый из шагов – применение правил вывода.

Если говорить об алгоритмах планирования, то здесь имеет место применение поиска по деревьям целей и подцелей, попыток нахождения пути к цели, осуществление процесса, называемого анализом средств.

Многими алгоритмами обучения используются алгоритмы поиска на базе оптимизации. Это редкость, когда простых исчерпывающих поисков оказывается достаточно для решения реальных проблем: обычно наблюдается рост пространства поиска до невероятных чисел.

В итоге поиск оказывается чрезмерно медленным и не заканчивающимся.

При решении многих проблем прибегают к использованию «эвристики» или «эмпирических правил», определяющих приоритеты выбора в пользу наиболее вероятно достигающих цели решений за минимальное число шагов. Есть методики, где поиск-эвристика приводит к избавлению от вариантов, вряд ли способных привести к цели (это называют «подрезанием дерева поиска»).

Эвристика способна поставить программу «наилучшим образом» на тот из путей, на котором как раз и лежит решение. Эвристикой ограничивается поиск решений посредством меньшего размера выборки.

В период 1990-х годов исследователи сосредоточились на поиске, базирующемся на таком инструменте, как математическая теория оптимизации. Поиск для множества проблем можно начинать с некоторой догадки, а затем уточнять догадку, пока не будет никаких уточнений.

Визуализация данных алгоритмов возможна с помощью слепого поднятия холма: начало поиска происходит на ландшафте в любой из случайно выбранных точек. После этого продолжается движение вперед, вплоть до достижения вершины. К другим алгоритмам оптимизации принято причисление случайной оптимизации, поиска луча и имитируемого отжига.

Эволюционным вычислением используется поиск оптимизации.