Сильные и слабые методы решения задач.

Способ фиксации критических аспектов интеллектуального поведения для использования в компьютере тесно связан с вопросом представления знаний (representation). Это постоянная тема ИИ.

На сегодня существует три господствующих подхода для такого представления:

1. Слабые методы (weak problem – solving methods) конец 50 – 60 г.г.

2. Сильные методы (strong methods) 70 – начало 80 г.г.

3. Современные исследования, в которых акцент делается на распределенных или внедренных представлениях интеллекта. Конец 80 – 90 г.г.

В конце 50 г.г. Алан Ньюэлл и Герберт Саймон написали первые программы для проверки гипотезы о том, что интеллектуальное поведение является результатом эвристического поиска. Более поздняя их программа GPS (General Problem Solver). В ней эти авторы продолжили поиск общих принципов интеллектуального решения задач.

Программа GPS решала задачи, сформулированные как проблемы поиска в пространстве состояний. В процессе решения задачи выполнялось множество операций, которое меняло представление состояния системы.

Программа GPS искала такую последовательность операций, которая могла бы преобразовать исходное состояние системы в целевое. Для управления поиском в пространстве состояний программа использует общую эвристику для выбора среди альтернативных операций преобразования состояния системы. Ожидалось, что GPS сможет стать общей архитектурой для решения проблем независимо от конкретной предметной области задач, т.к. программа использовала эвристику, которая проверяла только синтаксическую форму состояния.

Программы, подобные GPS, которые реализуют стратегии, основанные на синтаксисе, и предполагают широкое разнообразие различных предметных применений и назвали решателями задач на основе слабых методов.

Сегодня среди специалистов практически общепринято мнение, что не существует единой эвристики, которая может применяться ко всем предметным областям.

Считается, что метод, с помощью которого решается задача, должен использовать большое количество знаний о системе и о конкретной предметной области, в которой она имеет место. В другой предметной области эти знания могут быть просто бесполезны.

Например, большинство знаний о том, как выбрать оборудование для обеспечения выполнения конкретного полетного задания, бесполезны при создании систем медицинской диагностики.

Методы, которые используют точные знания о частной предметной (проблемной) области называются сильными методами.

Именно по таким методам строятся ЭС, основанные на правилах.

Решатели задач на основе сильных методов не только используют специфические знания о предметной области, но, как правило, требуют и большого количества таких знаний.

При использовании этого подхода знания представляются в форме, которая для внешнего пользователя воспринимается как естественное описание знаний, а поведение системы определяется предположениями из БЗ.

В последнее время при представлении знаний в ИИ стали использовать такие термины, как агентное, внедренное (воплощенное), эмерджентное решение.

При таком подходе подвергается сомнению требование наличия какой – либо централизованной БЗ и общецелевой схемы вывода.

Решатели задач разрабатываются как распределенные агенты, каждый из которых является автономным и обладает гибким поведением. Говорят, что такие агенты ситуативные.

Решение задачи рассматривается как распределенный процесс взаимодействия агентов, каждый из которых решает свою собственную задачу в подконтрольной ему области. Процесс решения разбивается на несколько компонентов с небольшой или вовсе отсутствующей координацией задач.

Таким образом, проблемная область здесь – это набор агентов; каждый агент автономно управляет своими собственными действиями и своим внутренним состоянием на основе анализа своей локальной ситуации, а не всей предметной области задачи. Требуется, чтобы при этом не вмешивались в процесс решения ни люди, ни какой – либо общий управляющий процесс. В ходе такого взаимодействия и функционирования агенты должны уметь предвидеть ситуации и гибко обмениваться данными с другими агентами.

Аналог такого поведения в другой предметной области – параллельные вычисления в распределенных вычислительных сетях.