Mengapa mengajar hanya algoritma pencarian dalam kursus AI pengantar singkat?

Saya mengerti bahwa konsep pencarian itu penting dalam AI. Ada pertanyaan di situs web ini mengenai topik ini, tetapi orang juga bisa secara intuitif memahami alasannya. Saya sudah memiliki kursus pengantar AI, yang berlangsung setengah semester, jadi tentu saja tidak ada cukup waktu untuk membahas semua topik AI, tapi saya berharap untuk mempelajari beberapa teori AI (saya pernah mendengar tentang "agen "), tetapi yang sebenarnya saya pelajari pada dasarnya adalah beberapa algoritma pencarian, seperti:

• BFS
• Pencarian seragam biaya
• DFS
• Pencarian memperdalam berulang-ulang
• Pencarian dua arah

algoritma pencarian ini biasanya dikategorikan sebagai "buta" (atau "tidak diinformasikan"), karena mereka tidak mempertimbangkan informasi apa pun mengenai jalur yang tersisa untuk tujuan.

Atau algoritma seperti:

• Pencarian heuristik
• Pencarian terbaik-pertama
• SEBUAH
• SEBUAH*
• IDA *

yang biasanya termasuk dalam kategori algoritma pencarian "informasi", karena mereka menggunakan beberapa informasi (yaitu "heuristik" atau "perkiraan") tentang jalur yang tersisa ke tujuan.

Kemudian kami juga belajar algoritma pencarian "lanjutan" (khusus diterapkan untuk masalah TSP). Algoritma ini dapat berupa algoritma konstruktif (mis. Tetangga terdekat), pencarian lokal (mis., 2-opt) atau yang meta-heuristik (misalnya, sistem koloni semut atau anil simulasi).

Kami juga mempelajari secara singkat algoritma min-max yang diterapkan pada game dan versi "peningkatan" dari min-max, yaitu pemangkasan alpha-beta.

Setelah kursus ini, saya merasa AI hanya mencari, baik "bodoh" atau "lebih cerdas".

Pertanyaan saya adalah:

• Mengapa satu profesor hanya mengajarkan algoritma pencarian di AI saja? Apa kelebihan / kekurangannya? Pertanyaan selanjutnya sangat terkait dengan ini.

• Apa yang lebih dari "mencari" di AI yang bisa diajarkan dalam kursus pengantar? Pertanyaan ini dapat mengarah pada jawaban subyektif, tetapi saya sebenarnya bertanya dalam konteks seseorang yang mencoba memahami apa sebenarnya AI dan topik apa yang dicakupnya. Rupanya dan sayangnya, setelah membaca, sepertinya ini masih subyektif.

• Apakah ada teori AI yang bisa diajarkan dalam kursus semacam ini?

Ada banyak kesalahpahaman tentang AI, khususnya gagasan tentang membuat komputer "berpikir" seperti manusia, mensimulasikan otak, robot fiksi ilmiah mengambil alih dunia, semua diskusi filosofis di sekitar otak sebagai mesin, dll. Praktek / kenyataan AI adalah tentang "menggunakan komputasi untuk menyelesaikan masalah" yang pada dasarnya berarti Anda mengambil masalah apa pun, menganggapnya sebagai masalah komputasi dan kemudian merancang algoritme untuk memecahkan masalah komputasi yang mengarah pada penyelesaian masalah asli. Algoritma pencarian ini adalah algoritma tujuan umum untuk masalah komputasi tujuan umum yaitu setiap masalah dunia nyata dapat diwakili oleh masalah komputasi tujuan umum ini dan kemudian algoritma ini dapat digunakan untuk menyelesaikannya.

Ingat, ini tentang pemecahan masalah dan tentang masalah komputasi tujuan umum yang dapat mewakili masalah dunia nyata.

Apa yang terjadi adalah bahwa sebagian besar masalah AI dapat dicirikan sebagai masalah pencarian. Mari kita lihat beberapa contoh:

• Pengenalan objek & pembuatan adegan (misalnya proses mengambil input audio-visual dari lingkungan Anda dan memahaminya dalam arti 3D dan kontekstual) dapat diperlakukan sebagai mencari objek yang dikenal dalam input.
• Pemecahan masalah matematika dapat diperlakukan sebagai mencari solusi.
• Memainkan video game dapat dianggap mencari respons yang benar terhadap gamestate yang diberikan.

Bahkan chatbots yang belum sempurna dapat dikarakterisasi sebagai menemukan respons 'benar' terhadap frasa input yang diberikan untuk meniru bahasa manusia!

Karena generalisasi pencarian ini, algoritma pencarian adalah di antara beberapa algoritma pertama yang dianggap 'AI', dan sering membentuk dasar dari banyak program pengajaran AI. Di atas semua ini algoritma pencarian bersifat intuitif dan non-matematis, yang membuat bidang AI agak menakutkan dapat diakses. Ini mungkin terdengar seperti hiperbola, tetapi saya jamin jika dosen Anda membuka dengan Teknik Pembelajaran Manifold setengah dari kelas Anda akan melesat ke pintu pada saat mereka menyebutkan 'nilai eigen dari matriks kovarians'.

Sekarang algoritma pencarian bukan satu-satunya cara untuk mengatasi masalah ini. Saya merekomendasikan setiap praktisi AI akrab dengan gagasan tentang Ilmu Data dan Algoritma Pembelajaran Mesin. ML sering terkait dengan algoritma pencarian tetapi teknik yang mereka gunakan dapat sangat bervariasi dari bangunan iteratif classifier / regresi (misalnya C4.5 membangun pohon keputusan), meta-heuristik seperti yang Anda catat, dan pengklasifikasi / regresi yang dihasilkan secara statis dari analisis data pelatihan (mis. Naive Bayesian secara harfiah adalah pengklasifikasi yang dibangun berdasarkan analisis Bayesian dari data yang diberikan dengan asumsi bahwa bidang input independen - ini adalah 'kenaifan' dari mana ia mendapatkan namanya). Seringkali algoritma ML dikembangkan dalam kelompok riset AI dan kadang-kadang dapat dirancang untuk masalah khusus alih-alih menjadi algoritma bentuk umum.

Mengapa seorang profesor hanya mengajarkan algoritma pencarian di AI saja? Apa kelebihan / kekurangannya?

Jawaban saya untuk pertanyaan ini adalah bahwa ada banyak masalah di mana solusinya dapat ditemukan menggunakan pencarian. Ambil contoh Tic Tac Toe. Jika Anda mendesain pemutar komputer cerdas untuk ini, maka yang akan Anda lakukan adalah Anda akan membentuk ruang pencarian dan kemudian Anda akan mencari langkah paling optimal yang dapat dilakukan untuk mengakhiri permainan. Dalam skenario ini, Anda harus mengetahui strategi pencarian yang optimal. Mari kita ambil contoh lain, misalkan jika Anda mengemudi dan ingin sampai ke rumah orang tak dikenal. Itu jauh dari tempat Anda dan Anda memutuskan untuk menggunakan GPS. GPS Anda akan menggunakan algoritma pencarian untuk menemukan rute paling optimal yang dapat Anda ambil untuk mencapai tujuan (tentu saja akan ada banyak faktor untuk dipertimbangkan seperti lalu lintas, dll. Tetapi ini adalah ide dasar).

Kerugian hanya dalam hal pemrosesan dan penyimpanan. Untuk algoritma yang lambat, Anda juga akan menghabiskan banyak waktu dan penyimpanan CPU tetapi untuk algoritma yang baik dan efisien, Anda dapat menghemat banyak ruang dan juga menjalankan tugas Anda dengan sangat cepat. Tentu saja, hanya belajar tentang pencarian bukan AI. Ada lebih banyak dari itu.

Apa yang lebih dari "mencari" di AI yang bisa diajarkan dalam kursus pengantar?

Ada banyak hal di AI selain pencarian. Misalnya, teknik pembelajaran (diawasi, tidak diawasi, diperkuat), perencanaan ketika seseorang ingin merancang sistem yang akan melakukan tindakan tertentu secara independen dan cerdas, representasi pengetahuan (dikenal dan tidak diketahui) dan inferensi dalam agen yang mencakup logika proposisional dan urutan pertama. logika, dll.

Apakah ada teori di balik AI yang bisa diajarkan dalam kursus semacam ini?

Beberapa topik dapat diajarkan seperti tentang berbagai jenis agen (refleks sederhana, model berbasis, tujuan, agen berbasis utilitas dan pembelajaran), berbagai jenis lingkungan di mana agen bekerja, evaluasi agen. Mungkin ada beberapa topik pengantar tambahan seperti pemrosesan bahasa alami, sistem pakar, dll.