Kvalitativt resonemang
Qualitative Reasoning (QR) är ett forskningsområde inom artificiell intelligens (AI) som automatiserar resonemang om kontinuerliga aspekter av den fysiska världen, såsom rum, tid och kvantitet, i syfte att lösa problem och planera med hjälp av kvalitativ snarare än kvantitativ information . Exakta numeriska värden eller kvantiteter undviks, och kvalitativa värden används istället (t.ex. hög, låg, noll, stigande, fallande, etc.).
Syfte
Kvalitativa resonemang skapar icke-numeriska beskrivningar av fysiska system och deras beteende, och bevarar viktiga beteendeegenskaper och kvalitativa distinktioner. Målet med forskning om kvalitativ resonemang är att utveckla representation och resonemangsmetoder som gör det möjligt för datorprogram att resonera om fysiska systems beteende, utan exakt kvantitativ information. Ett exempel är att observera hällande regn och den stadigt stigande vattennivån i en flod, vilket är tillräcklig information för att vidta åtgärder mot eventuella översvämningar utan att veta den exakta vattennivån, förändringshastigheten eller tidpunkten då floden kan översvämmas.
Principer
De principer som används är motiverade av mänsklig kognition .
Principerna för kvalitativt resonemang inkluderar:
- Diskreta värden
- Representera kontinuerliga kvantiteter genom att använda diskreta enheter för resonemang
- Exempel: Istället för att använda ett numeriskt värde för förändringshastighet, överväg om det är ökande, minskande eller konstant
- Relevanta värden
- Välj kvalitativa värden utifrån relevans för en uppgift
- Exempel: Om temperaturen förändras kan kokpunkten vara viktig, men om temperaturen är konstant kan kokpunkten vara irrelevant
- Tvetydiga värden eller resultat
- Istället för att ge ett svar, ge en rad svar
- Exempel: Istället för att beräkna en numerisk nivå eller kvantitet vatten, ge två svar: låg eller noll
- Modellera en process
- Representera staterna
- Representera övergångarna mellan stater
- För kvantiteter, bestäm landmärken och använd ojämlikhetsresonemang
-
Exempel: Om vattnets temperatur är under kokpunkten är vattennivån konstant eller sakta sjunkande; om vattnets temperatur är över kokpunkten, minskar vattennivån snabbt; om vatten har en temperatur som ändras från under kokpunkten till över kokpunkten, kommer vattennivån att ändras till snabbt sjunkande; om vattnet är över kokpunkten under en viss tid kommer vattennivån att vara låg eller noll
Används
Teknikerna som har utvecklats för kvalitativt resonemang tillåter simulering av kvantitativa system som är föremål för flera begränsningar i form av såväl ojämlikheter som jämlikheter. Det kan tillåta simulering av vissa viktiga system, såsom ekosystem, som annars kan vara för komplexa att modellera. Kvalitativa resonemang ger en metod för att modellera med kvantitativa ojämlikheter utöver kvaliteter.
Framgångsrika applikationsområden inkluderar processkontroll , systemverifiering, förklaring, autonomt rymdfarkoststöd, simulering och förklaring av strukturers beteende, felanalys och omborddiagnos av fordonssystem, automatiserad generering av kontrollmjukvara för kopiatorer, konceptuell kunskapsfångst inom ekologi, och intelligenta hjälpmedel för mänskligt lärande.
Se även
- Spatial-temporal resonemang
- Qualitative Reasoning Group (QRG)
- ^ "Kvalitativt resonemang: Att nå bra slutsatser utan att vara exakt" . Association for the Advancement of Artificial Intelligence (AAAI).
- ^ a b John Daintith (2004). A Dictionary of Computing . Oxford University Press . ISBN 0198608772 .
- ^ a b Bert Bredeweg och Peter Struss (2003). "Aktuella ämnen i kvalitativt resonemang" (PDF) . American Association for Artificiell Intelligens .
- ^ Yumi Iwasaki (maj–juni 1997). "Verkliga tillämpningar av kvalitativt resonemang" . IEEE-expert: Intelligenta system . Knowledge Systems Laboratory, Institutionen för datavetenskap: Stanford University.
- ^ "Kvalitativt resonemang, CS227" (PDF) . Stanford University . 2011.
- ^ Salvaneschi, Paolo; Cadei, Mauro; Lazzari, Marco (1997). "Ett ramverk för kausal modellering för simulering och förklaring av strukturers beteende". Artificiell intelligens inom teknik . 11 (3): 205–216. doi : 10.1016/S0954-1810(96)00040-4 .