Meios-fins de análise - Means-ends analysis

Meios-fins de análise ( MEA ) é uma técnica de resolução de problemas usada comumente em inteligência artificial (AI) para limitar em programas de IA pesquisa.

É também uma técnica utilizada pelo menos desde a década de 1950 como uma ferramenta de criatividade, mais citada nos livros de engenharia sobre métodos de design. MEA também está relacionado com a abordagem cadeia de meios-fins usado comumente na análise do comportamento dos consumidores. É também uma forma de esclarecer os pensamentos quando embarcar em uma prova matemática .

Resolução de problemas como pesquisa

Um aspecto importante do comportamento inteligente como estudado em IA é baseada no objectivo a resolução de problemas, de um quadro em que a solução para um problema pode ser descrito por encontrar uma sequência de acções que levam a um objectivo desejável. Um sistema de meta-seeking é suposto ser conectado ao seu ambiente exterior por canais sensoriais através do qual ele recebe informações sobre os canais ambiente e do motor através do qual ele age sobre o meio ambiente. (O termo "aferente" é usado para descrever "para dentro" Os fluxos sensoriais, e "eferente" é usado para descrever "exteriores" comandos motores). Além disso, o sistema tem alguns meios de armazenamento numa memória de informações sobre o estado do ambiente (informações aferentes) e informações sobre ações (informação eferente). Capacidade de atingir metas depende de construção de associações, simples ou complexas, entre as mudanças particulares nos estados e ações específicas que vão trazer essas mudanças aproximadamente. Pesquisa é o processo de descoberta e montagem de sequências de acções que conduzam a partir de um dado estado para um estado desejado. Embora esta estratégia pode ser apropriado para aprendizado de máquina e resolução de problemas, não é sempre recomendável para os seres humanos (por exemplo, carga cognitiva teoria e suas implicações).

Como meios-fins trabalhos de análise

A técnica MEA é uma estratégia para controlar a pesquisa na resolução de problemas. Dado o estado atual e um estado objetivo, uma ação é escolhida que irá reduzir a diferença entre os dois. A ação é executada no estado atual para produzir um novo estado, eo processo é recursivamente aplicada a este novo estado eo estado meta.

Note-se que, para MEA para ser eficaz, o sistema de busca de objetivos deve ter um meio de associar a qualquer tipo de diferença detectável aquelas ações que são relevantes para reduzir essa diferença. Também deve possuir meios para detecção do progresso que está a fazer (as alterações nas diferenças entre o real e o estado desejado), como algumas tentativas de sequências de acções pode falhar e, deste modo, algumas sequências alternadas pode ser tentado.

Quando o conhecimento está disponível sobre a importância das diferenças, a diferença mais importante é selecionado pela primeira vez para melhorar ainda mais o desempenho médio dos MEA sobre outras estratégias de busca de força bruta. No entanto, mesmo sem a ordenação das diferenças de acordo com a importância, MEA melhora em relação a outras heurísticas de busca (mais uma vez, no caso da média), concentrando-se a resolução de problemas sobre as diferenças reais entre o estado atual e que da meta.

Alguns sistemas de inteligência artificial usando MEA

A técnica MEA como uma estratégia de resolução de problemas foi introduzido pela primeira vez em 1961 por Allen Newell e Herbert A. Simon em seu programa de resolução de problemas no computador Geral Problem Solver (GPS). Em que a implementação, a correspondência entre as diferenças e ações, também chamados de operadores , é fornecido a priori como conhecimentos no sistema. (Em GPS este conhecimento era em forma de mesa de conexões .)

Quando a ação e efeitos colaterais da aplicação de um operador são penetráveis a pesquisa pode selecionar os operadores relevantes por inspeção dos operadores e fazer sem uma tabela de conexões. Neste último caso, do qual o exemplo canônico é TIRAS , um automatizado de planejamento de programa de computador, permite correlação independente da tarefa de diferenças para os operadores que as reduzem.

Prodigy, um solucionador de problemas desenvolvido em um projeto de planejamento automatizado assistida-learning maior começou em Carnegie Mellon University por Jaime Carbonell, Steven Minton e Craig Knoblock, é outro sistema que utilizou MEA.

Professor Morten Lind, na Universidade Técnica da Dinamarca desenvolveu uma ferramenta chamada modelagem de fluxo de múltiplos níveis (MFM). Ele executa meios-fim raciocínio de diagnóstico com base em sistemas de controlo e automação industriais.

Veja também

Referências