مسئله های دنیای واقعی در هوش مصنوعی AI

مسئله های دنیای واقعی در هوش مصنوعی AI

رهیافت "حل مسئله" به دسته وسیعی از محیط های کاری اعمال شده است. معروفترین آنها را که متمایز کردن مسئله های اسباب بازی و دنیای واقعی است، در نظر میگیریم. مسئله ی اسباب بازی برای تشریح و تمرین کردن بر روی روش های مختلف حل مسئله به کار می آید. این مسئله ها را بطور دقیق میتوان توصیف کرد و در نتیجه ، پژوهشگران مختلف میتوانند از آنها برای مقایسه کارایی الگوریتم ها استفاده کنند. مسئله دنیای واقعی مسئله ای است که در آنها دقت زیادی به عمل می آید. بر روی توصیف این نوع مسئله ها، توافق کلی وجود ندارد، ولی میتوان فرموله کردن کلی آنها را ارائه کرد.

مسئله های دنیای واقعی

نمونه ای از این مسئله ها، مسئله ی مسیریابی است. الگوریتم های مسیر یابی در بسیاری از موارد بکار میروند. بعضی از آنها مثل وب سایت ها و سیستم های داخل اتومبیل که جهت  رانندگی را تعیین میکنند، شکل بسط یافته ای از مسائل مربوط به مسافرت های شهری هستند. موارد دیگری مثل مسیریابی استریم ویدیودر شبکه های کامپیوتری، شامل مختصات پیچیده تری است. مسئله های مسافرت هوایی را در نظر بگیرید که باید توسط وب سایتی که برنامه ریزی سفر را انجام میدهد، حل شود:

• حالت ها (states) : هر حالت، شامل مکان (مثل فرودگاه) و زمان فعلی است . علاوه بر این، چون ممن است هزینه ی هر فعالیت، (ناحیه پرواز) به ناحیه های قبلی پرواز، بهای بلیط آنها، داخلی یا خارجی بودن پرواز بستگی داشته باشد، حالت باید اطلاعات بیشتری راجع به این موارد را ذخیره نماید.

• حالت شروع (Initial state) : این حالت با درخواست کاربر مشخص میشود.

• فعالیت ها (Actions) : پرواز کردن از مکان فعلی در هر کلاسی از صندلی ها، ترک کردن پس از زمان فعلی، تعیین وقت کافی برای جابه جایی در داخل هواپیما (در صورت نیاز).

• مدل گذار یا تغییر حالت (Transition model) : حالت حاصل از یک پرواز، مقصد پرواز را به عنوان مکان فعلی، و زمان نشستن پرواز را بعنوان زمان فعلی خود دارد.

• آزمون هدف (Goal test) : آیا در مقصد نهایی که کاربر تعریف کرده است قرار داریم یا خیر؟

• هزینه مسیر (Path cost) : به هزینه پولی، زمان انتظار، زمان پرواز، قوانین مهاجرت و سنت، کیفیت صندلی، ساعت پرواز، نوع هواپیما، پاداش سفر زیاد و غیره بستگی دارد.

سیستم های تجاری مشاوره سفرها، از این نوع فرموله کردن استفاده میکنند، که  باید روش پیچیده ی هزینه ی حمل و نقل با هواپیما را اداره کنند. کسی که زیاد مسافرت میکند، میداند که تمام سفرهای هوایی بر اساس برنامه پیش نمیرود. یک سیستم واقعا خوب باید شامل برنامه های احتمالی باشد (مثل پرواز های جایگزین) بطوریکه با توجه به هزینه و احتمال خراب شدن برنامه اصلی، قابل توجیه باشد.

مسئله های توریستی خیلی نزدیک به مسئله های مسیریابی هستند، اما تفاوت عمده ای دارند. در این مسائل نقطه شروع و پایان تور یکی است. همانند مسئله مسیریابی، در اینجا فعالیت ها متناظر با مسافرت بین شهرهای همجوار است. فضای حالت نیز کاملا متفاوت است. هر حالت علاوه بر مکان فعلی باید شامل مجموعه ای از شهرها باشدکه عامل بازدید کرده است و آزمون هدف بررسی میکند که آیا عامل به شهر مقصد رسیده است یا خیر، و آیا همه ی شهرهای مسیر بازدید شدند یا خیر.

مسئله فروشنده دوره گرد(TSP)، یک مسئله توریستی است که در آن هر شهر دقیقا یکبار باید بازدید شود. هدف پیدا کردن کوتاهترین تور است. این مسئله، مسئله ی NP سخت است، اما تلاش های زیادی انجام شد تا الگوریتم های TSP بهبود یابند. این الگوریتم ها ، علاوه بر برنامه ریزی مسافرت فروشنده دوره گرد، برای وظایفی مثل برنامه ریزی حرکت در آموزش خودکار بوردهای مدار و ماشین های فروشنده در مغازه ها بکار میروند.

هدایت روبات، شکل تعمیم یافته ی مسئله مسیریابی است. روبات، به جای حرکت در یک مجموعه از مسیرهای گسسته، میتواند در یک فضای پیوسته حرکت کند که شامل مجموعه ی نامتناهی از فعالیت ها و حالت های ممکن است. برای یک روبات حلقوی(دایره ای)، که در یک سطح صاف حرکت میکند، فضا بصورت دو بعدی است. وقتی روبات دارای بازوها، پاها یا چرخهایی باشد که باید کنترل شوند، فضای جست وجو، چند بعدی خواهد بود. تکنیک های پیشرفته ای لازم است تا فضای جستوجو را به یک فضای متناهی تبدیل کند. علاوه برپیچیدگی های این مسئله، روباتهای واقعی باید خطاهای موجود در کنترل موتور و خواندن از حسگرها(سنسورها) را اداره کنند.