Modellbaserat resonemang

Inom artificiell intelligens hänvisar modellbaserat resonemang till en slutledningsmetod som används i expertsystem baserade på en modell av den fysiska världen. Med detta tillvägagångssätt är huvudfokus för applikationsutveckling att utveckla modellen. Sedan vid körning kombinerar en "motor" denna modellkunskap med observerade data för att dra slutsatser såsom en diagnos eller en förutsägelse.

Resonemang med deklarativa modeller

Modellbaserad målbaserad agent

En robot och dynamiska system styrs också av mjukvara. Mjukvaran är implementerad som ett vanligt datorprogram som består av if-then-statements, for-loops och subrutiner. Uppgiften för programmeraren är att hitta en algoritm som kan styra roboten, så att den kan utföra en uppgift. I historien om robotik och optimal kontroll har många paradigm utvecklats. Ett av dem är expertsystem , som är fokuserade på begränsade domäner. Expertsystem är föregångaren till modellbaserade system.

Den främsta anledningen till att modellbaserade resonemang forskats sedan 1990-talet är att skapa olika lager för modellering och styrning av ett system. Detta gör det möjligt att lösa mer komplexa uppgifter och befintliga program kan återanvändas för olika problem. Modellskiktet används för att övervaka ett system och för att utvärdera om åtgärderna är korrekta, medan kontrollskiktet bestämmer åtgärderna och för systemet i ett måltillstånd.

Typiska tekniker för att implementera en modell är deklarativa programmeringsspråk som Prolog och Golog. Ur matematisk synvinkel har en deklarativ modell mycket gemensamt med situationskalkylen som en logisk formalisering för att beskriva ett system. Ur ett mer praktiskt perspektiv innebär en deklarativ modell att systemet simuleras med en spelmotor . En spelmotor tar en funktion som ingångsvärde och bestämmer utsignalen. Ibland beskrivs en spelmotor som en förutsägelsemotor för att simulera världen.

1990 formulerades kritik mot modellbaserade resonemang. Pionjärer inom Nouvelle AI har hävdat att symboliska modeller är separerade från underliggande fysiska system och att de misslyckas med att kontrollera robotar. Enligt beteendebaserad robotikrepresentant kan en reaktiv arkitektur övervinna problemet. Ett sådant system behöver ingen symbolisk modell utan åtgärderna kopplas direkt till sensorsignaler som är jordade i verkligheten.

Kunskapsrepresentation

I ett modellbaserat resonemangssystem kan kunskap representeras med hjälp av kausala regler . Till exempel, i ett medicinskt diagnossystem kunskapsbasen innehålla följande regel:

$\forall$ patienter : Stroke(patient) $\rightarrow$ Förvirrad(patient) $\land$ Ojämlik(Pupills(patient))

Däremot skulle kunskap i ett diagnostiskt resonemangssystem representeras genom diagnostiska regler som:

$\forall$ patienter : Förvirrad(patient) $\rightarrow$ Stroke(patient)

$\forall$ patienter : Ojämlik(Pupills(patient)) $\rightarrow$ Stroke(patient) )

Det finns många andra former av modeller som kan användas. Modeller kan vara kvantitativa (till exempel baserade på matematiska ekvationer) eller kvalitativa (till exempel baserade på orsak/verkan-modeller.) De kan innefatta representation av osäkerhet. De kan representera beteende över tid. De kan representera "normalt" beteende, eller kanske bara representera onormalt beteende, som i fallet med exemplen ovan. Modelltyper och användning för modellbaserade resonemang diskuteras i.

Se även

• Diagnos (artificiell intelligens) , bestämmer om ett systems beteende är korrekt
• Beteendevalsalgoritm
• Case-based resonemang , lösa nya problem baserat på lösningar av tidigare problem

•   Russell, Stuart J .; Norvig, Peter (2003), Artificiell intelligens: A Modern Approach (2:a upplagan), Upper Saddle River, New Jersey: Prentice Hall, sid. 260, ISBN 0-13-790395-2

externa länkar

• Modellbaserat resonemang vid Utrecht University
• NASA Intelligent Systems Division