Net Logo : Zachowania

Zachowanie

1. Kwestia perspektywy: musimy odr�ni� perspektyw� obserwatora od perspektywy samego agenta. Perspektywa obserwatora musi by� traktowana jako wewn�trzny mechanizm le��cy u podstaw opisanego zachowania.

2. Problem zachowania w stosunku do mechanizmu: zachowanie agenta zawsze jest wynikiem interakcji system-�rodowisko. Nie mo�na tego wyja�ni� tylko na podstawie mechanizm�w wewn�trznych

3. Problem z�o�ono�ci: z�o�ono��, kt�r� obserwujemy w danym zachowaniu, nie zawsze wskazuje na z�o�ono�� mechanizm�w le��cych u podstaw. -
(Rolf Pfeifer i Christian Scheier)

Co to jest zachowanie?

Spos�b, w jaki zachowuje si� agent, jest cz�sto u�ywany do odr�nienia ich i odr�nienia tego, kim i czm s�, zar�wno od zwierz�t, ludzi, jak i od sztucznych. Zachowanie mo�na r�wnie� powi�za� z grupami agent�w, a nie tylko z jednym agentem. Na przyk�ad ludzkie zachowania kulturowe odnosz� si� do zachowania, kt�re jest zwi�zane z okre�lonym narodem, ludem lub grup� spo�eczn�, i r�ni si� od zachowania indywidualnego cz�owieka lub ludzkiego cia�a. Zachowanie ma r�wnie� wa�n� rol� do odegrania w przetrwaniu r�nych gatunk�w i podgatunk�w. Sugerowano na przyk�ad, �e muzyka i sztuka stanowi�y cz�� zestawu zachowa� prezentowanych przez nasz w�asny gatunek, kt�ry zapewni� nam ewolucyjn� przewag� nad neandertalczykami. Wcze�niej rozmawiali�my o r�nych aspektach dotycz�cych zachowa� uciele�nionych, usytuowanych agent�w, takich jak to, jak mo�na scharakteryzowa� zachowanie agenta z perspektywy projektu pod k�tem jego ruchu w otoczeniu i jak agenci wykazuj� zakres zachowa� od reaktywnych do poznawczych. Nie dostarczyli�my jednak bardziej konkretnej definicji tego, czym jest zachowanie. Z perspektywy projektowania uciele�nionych, usytuowanych agent�w, zachowanie mo�na zdefiniowa� w nast�puj�cy spos�b. Szczeg�lnym zachowaniem uciele�nionego, usytuowanego agenta jest seria dzia�a� wykonywanych podczas interakcji ze �rodowiskiem. Okre�lona kolejno�� lub spos�b wykonywania ruch�w akcji i og�lny wynik, kt�ry pojawia si� w wyniku dzia�a�, okre�la rodzaj zachowania. Mo�emy zdefiniowa� dzia�anie jako seri� ruch�w wykonywanych przez agenta w odniesieniu do konkretnego wyniku, albo przez wol� (dla dzia�a� poznawczych), albo przez instynkt (dla dzia�a� opartych na reaktywno�ci). W tej definicji ruch jest traktowany jako podstawowa cz�� komponent�w, kt�re charakteryzuj� ka�dy typ zachowania - innymi s�owy, dzia�ania i reakcje, kt�re agent wykonuje, gdy wykonuje zachowanie. Rozr�nienie mi�dzy ruchem a dzia�aniem polega na tym, �e dzia�anie obejmuje jeden lub wi�cej ruch�w wykonywanych przez agenta, a tak�e, �e istnieje okre�lony wynik, kt�ry pojawia si� w wyniku dzia�ania. Na przyk�ad, czynnik ludzki mo�e chcie� wykona� dzia�anie w��czania �wiat�a. Efektem dzia�ania jest w��czenie �wiat�a. Ta czynno�� wymaga wykonania szeregu ruch�w, takich jak podniesienie r�ki do prze��cznika �wiate�, przesuni�cie okre�lonego palca z r�ki, a nast�pnie u�ycie tego palca do dotkni�cia g�rnej cz�ci prze��cznika, a nast�pnie naci�ni�cie przycisku w d�, a� do prze��czenia porusza si�. Rozr�nienie mi�dzy dzia�aniem a okre�lonym zachowaniem polega na tym, �e zachowanie obejmuje jedn� lub wi�cej czynno�ci wykonywanych przez agenta w okre�lonej kolejno�ci lub sposobie. Na przyk�ad, agent mo�e preferowa� zachowanie oszcz�dzaj�ce energi� poprzez w��czanie �wiate� tylko wtedy, gdy jest to konieczne (jest to przyk�ad zachowania poznawczego, poniewa� wymaga �wiadomego wyboru). Inny agent zawsze mo�e w��czy� �wiat�o poprzez przyzwyczajenie, gdy wchodzi do pokoju (jest to przyk�ad zachowania g��wnie reaktywnego). Spos�b zachowania jest sposobem, w jaki agent dzia�a w danej sytuacji lub zestawie sytuacji. Sytuacja jest okre�lona przez warunki �rodowiskowe, w�asne okoliczno�ci i wiedz�, kt�r� agent obecnie ma do dyspozycji. Je�li agent ma niewystarczaj�c� wiedz� do danej sytuacji, mo�e zdecydowa� si� na poszukiwanie dalszej wiedzy na temat sytuacji. Zachowania mog� sk�ada� si� z sub-zachowa�. Poszukiwanie dalszej wiedzy samo w sobie jest zachowaniem, na przyk�ad, i mo�e by� sk�adow� pierwotnego zachowania. Istniej� r�wnie� r�ne aspekty zachowania, w tym nast�puj�ce: wykrywanie i ruch (koordynacja sensomotoryczna); rozpoznanie obecnej sytuacji (klasyfikacja); podejmowanie decyzji (wyb�r odpowiedniej odpowiedzi); wydajno�� (wykonanie odpowiedzi). Zachowania si�gaj� od w pe�ni �wiadomego (poznawczego) do nie�wiadomego (reaktywnego), od jawnego (zrobione w otwarty spos�b) do ukrycia (zrobione w tajemnicy) i od dobrowolnego (agent dzia�a zgodnie z w�asn� woln� wol�) do mimowolnego (zrobionego bez �wiadomej kontroli lub zrobionego wbrew woli agenta). Termin "zachowanie" ma r�wnie� r�ne znaczenia w zale�no�ci od kontekstu. Powy�sza definicja ma zastosowanie, gdy termin jest u�ywany w odniesieniu do dzia�a� cz�owieka lub zwierz�cia, ale ma r�wnie� zastosowanie w opisywaniu dzia�a� systemu mechanicznego lub z�o�onych dzia�a� chaotycznego systemu, je�li zorientowany na agenta rozpatrywana jest perspektywa (tutaj s� ludzie, zwierz�ta, systemy mechaniczne lub z�o�one systemy). Jednak w rzeczywisto�ci wirtualnej i aplikacjach multimedialnych termin ten mo�e by� czasem u�ywany jako synonim animacji komputerowej. W wiarygodnych czynnikach i sztucznych polach �ycia, zachowanie jest u�ywane "w odniesieniu do improwizacji i �ycie-podobne dzia�ania o charakterze autonomicznym". Cz�sto antropomorficznie przypisujemy ludzkie cechy behawioralne za pomoc� dzia�ania komputera, gdy m�wimy, �e system komputerowy lub program komputerowy zachowuje si� w okre�lony spos�b w oparciu o reakcje na nasz� interakcj� z systemem lub programem. Podobnie cz�sto (zazwyczaj b��dnie) przypisujemy ludzkie zachowanie behawioralne zwierz�tom i obiektom nieo�ywionym, takim jak samochody.

�rodki reaktywne a czynniki poznawcze

W tej cz�ci b�dziemy dalej bada� wa�ne rozr�nienie pomi�dzy zachowaniami reaktywnymi i poznawczymi, kt�re po raz pierwszy zosta�y podkre�lone w poprzednim rozdziale. Czynniki mo�na scharakteryzowa�, gdy znajduj� si� na kontinuum, jak pokazano na rysunku.

Kontinuum to si�ga od czysto reaktywnych �rodk�w, kt�re nie wykazuj� zdolno�ci poznawczych (takich jak mr�wki i termity), do czynnik�w, kt�re wykazuj� zachowania poznawcze lub maj� zdolno�� my�lenia. Tabela przedstawia r�nice mi�dzy dwoma typami agent�w.

Agenci Reaktywni : Agenci Poznawczy

• U�yj prostych zachowa�. : • U�ywaj z�o�onych zachowa�.

• Maj� ma�� z�o�ono�� : • Mie� du�� z�o�ono��.

• Nie s� w stanie przewidzie� przysz�o�ci. : • Przewiduj, co si� wydarzy

• Nie ma cel�w : • Mie� okre�lone cele.

• Nie planuj ani nie koordynuj mi�dzy sob�. : • Tw�rz plany i koordynuj ze sob�.

• Nie reprezentuj �rodowiska. : • Mapuj swoje �rodowisko (tzn. Buduj wewn�trznie reprezentacje ich �rodowiska).

• Nie adaptuj si� i nie ucz si�.: • Pokazuj wyuczone zachowanie.

• Mo�e wsp�pracowa� w celu rozwi�zania z�o�onych problem�w. : • Potrafi rozwi�zywa� z�o�one problemy zar�wno poprzez prac� razem i dzia�aj�c indywidualnie.

W rzeczywisto�ci, wiele czynnik�w przejawia zar�wno zachowania reaktywne, jak i poznawcze w r�nym stopniu, a rozr�nienie mi�dzy reaktywnym a poznawczym mo�e by� arbitralne. Por�wnuj�c zdolno�ci czynnik�w reaktywnych z czynnikami poznawczymi wymienionymi w Tabeli 1, jasne jest, �e czynniki reaktywne s� bardzo ograniczone w tym, co mog� zrobi�, poniewa� nie maj� zdolno�ci planowania, koordynacji mi�dzy sob� lub ustalania i zrozumienia konkretnych cel�w; po prostu reaguj� na zdarzenia, kiedy si� pojawi�. Nie wyklucza to ich roli w tworzeniu inteligentnego zachowania. Reaktywna szko�a my�li polega na tym, �e agenci nie musz� by� indywidualnie inteligentni. Mog� jednak wsp�lnie wsp�pracowa� w celu rozwi�zania z�o�onych problem�w. Ich moc pochodzi z pot�gi wielu - na przyk�ad owady oparte na koloniach, takie jak mr�wki i termity, maj� zdolno�� wykonywania z�o�onych zada�, takich jak znajdowanie i komunikowanie miejsca pobytu �ywno�ci, walka z naje�d�cami i budowanie z�o�onych struktur. Ale robi� to na poziomie populacji, a nie na poziomie indywidualnym, u�ywaj�c bardzo sztywnych powtarzalnych zachowa�. W przeciwie�stwie do tego, poznawcza szko�a my�li d��y do zbudowania agent�w, kt�re w pewien spos�b wykazuj� inteligencj�. W tym podej�ciu poszczeg�lni agenci maj� cele i mog� opracowa� plany, jak je osi�gn��. Korzystaj� z bardziej wyrafinowanych mechanizm�w komunikacji i celowo koordynuj� swoje dzia�ania. Mapuj� tak�e swoje �rodowisko w pewien spos�b, korzystaj�c z wewn�trznej reprezentacji lub bazy wiedzy, kt�r� mog� odnosi� i aktualizowa� poprzez mechanizmy uczenia si�, aby pom�c w kierowaniu ich decyzjami i dzia�aniami. W rezultacie s� znacznie bardziej elastyczne w zachowaniu w por�wnaniu z czynnikami reaktywnymi. W Sztucznej Inteligencji podej�cie behawioralne do budowania inteligentnych system�w nazywa si� sztuczn� inteligencj� behawioraln� (BBAI). W tym podej�ciu, po raz pierwszy zaproponowanym przez Rodneya Brooksa, inteligencja zostaje roz�o�ona na zbi�r niezale�nych, p�-autonomicznych modu��w. Modu�y te by�y pocz�tkowo pomy�lane jako dzia�aj�ce na oddzielnym urz�dzeniu z w�asnymi w�tkami przetwarzania i mog� by� uwa�ane za oddzielne czynniki. Brooks zaleca� reaktywne podej�cie do sztucznej inteligencji i u�ywa� sko�czonych maszyn stan�w do implementacji modu��w zachowania. Te sko�czone maszyny stanu nie maj� konwencjonalnej pami�ci i nie zapewniaj� bezpo�rednio wy�szych funkcji poznawczych, takich jak uczenie si� i planowanie. Okre�laj� zachowanie w spos�b reaktywny, przy czym agent reaguje bezpo�rednio na �rodowisko, zamiast budowa� jego reprezentacj� w pewien spos�b, taki jak mapa. Oparte na zachowaniu podej�cie do sztucznej inteligencji sta�o si� popularne w robotyce, ale znajduje r�wnie� inne zastosowania w dziedzinie animacji komputerowej i inteligentnych agent�w wirtualnych.

Powstanie, samoorganizacja, adaptacja i ewolucja

W tej sekcji om�wiono kilka cech autonomicznych czynnik�w wa�nych z punktu widzenia behawioralnego - emergentne, samoorganizuj�ce si�, adaptacyjne i ewoluuj�ce zachowania. Z�o�ony system to system sk�adaj�cy si� z wielu komponent�w, kt�re, gdy wchodz� ze sob� w interakcje, wytwarzaj� aktywno��, kt�ra jest wi�ksza ni� to, co jest mo�liwe w przypadku pojedynczych komponent�w. System wieloagentowy to z�o�ony system, je�li agenci wykazuj� zachowawcze zachowania. Pojawienie si� w z�o�onym systemie jest pojawieniem si� nowej w�a�ciwo�ci wy�szego poziomu, kt�ra nie jest prostym liniowym agregatem istniej�cych w�a�ciwo�ci. Na przyk�ad masa samolotu nie jest wy�aniaj�c� si� w�asno�ci�, poniewa� jest to po prostu suma masy poszczeg�lnych element�w samolotu. Z drugiej strony umiej�tno�� latania jest wy�aniaj�c� si� w�asno�ci�, poniewa� w�a�ciwo�� ta znika, gdy cz�ci samolotu zostaj� zdemontowane. Wschodz�ce w�a�ciwo�ci s� r�wnie� powszechne w �yciu codziennym - na przyk�ad zachowanie kulturowe u ludzi, �erowanie pokarmu u mr�wek i budowanie kopc�w w termitach. Wra�liwe zachowanie to pojawienie si� zachowania systemu wieloagentowego, kt�rego wcze�niej nie zaobserwowano i kt�re nie jest wynikiem prostej liniowej kombinacji istniej�cych zachowa� agent�w. Niekt�rzy uwa�aj�, �e inteligencja jest wy�aniaj�c� si� w�asno�ci�, wynikiem interakcji agent-agent i agent-�rodowisko reaktywnych, uciele�nionych, usytuowanych agent�w. Je�li tak jest, to zapewnia alternatywn� �cie�k� do tworzenia inteligentnych zachowa� - zamiast budowa� czynniki poznawcze poprzez jawne programowanie wy�szych zdolno�ci poznawczych, takich jak rozumowanie i podejmowanie decyzji, alternatyw� jest zbudowanie agenta o zdolno�ciach reaktywnych, takich jak rozpoznawanie wzorc�w i uczenie si�, a to prowadzi do inteligentnego zachowania. Podej�cie to jednak nie przynios�o jeszcze efekt�w, poniewa� mechanizmy stoj�ce za rozpoznawaniem wzorc�w i zdolno�ciami uczenia si� przez ludzi nie zosta�y jeszcze w pe�ni zrozumiane i nie dysponujemy wystarczaj�co zaawansowanymi algorytmami w tym obszarze, aby agent m�g� pozna� spos�b, w jaki ludzie to robi�, na przyk�ad takie jak zdolno�� ma�ego dziecka do nabycia j�zyka. Jednak bardziej tradycyjna droga do sztucznej inteligencji - do projektowania agent�w o wyra�nych zdolno�ciach poznawczych wy�szego poziomu - r�wnie� nie przynios�a efekt�w. M�wi si�, �e system samoorganizuje si�, gdy wzorzec lub struktura w systemie pojawiaj� si� spontanicznie, a nie w wyniku zewn�trznych nacisk�w. System wieloagentowy wy�wietla samoorganizuj�ce zachowanie w wyniku zastosowania regu� lokalnych, gdy wz�r lub struktura powstaje w wyniku interakcji, kt�rej nie spowodowa� zewn�trzny agent. Systemy samoorganizuj�ce si� zazwyczaj wy�wietlaj� nowe w�a�ciwo�ci. Wiele naturalnych system�w wykazuje zachowania zapobiegawcze. Oto kilka przyk�ad�w: roje ptak�w i ryb oraz stada zwierz�t, takich jak byd�o, owce, bawo�y i zebry (biologia); tworzenie i struktura planet, gwiazd i galaktyk (z dziedziny astrofizyki); formacje chmurowe i cyklony (meteorologia); struktura powierzchni ziemi (geofizyka); reakcje chemiczne (chemia); autonomiczne ruchy robot�w (robotyka); sieci spo�eczno�ciowe (Internet); sieci komputerowe i ruchome (technologia); naturalnie wyst�puj�ce fraktalne wzory, takie jak paprocie, p�atki �niegu, struktury krystaliczne, krajobrazy, fiordy (�wiat naturalny); wzory wyst�puj�ce na futrze, skrzyd�ach motyla, sk�rze owad�w i naczyniach krwiono�nych w ciele (biologia); wzrost populacji (biologia); kolektywne zachowanie kolonii owad�w, takich jak termity i mr�wki (biologia); mutacja i selekcja (ewolucja); i konkurencja, gie�dy i rynki finansowe (ekonomia). Biblioteka modeli NetLogo zawiera wiele modeli symuluj�cych samoorganizacj�. Na przyk�ad model Flocking na�laduje zachowanie stada u ptak�w - po uruchomieniu modelu przez jaki� czas, ��wie b�d� si� samoorganizowa� w kilka stad, w kt�rych ptaki kieruj� si� w podobnym kierunku. Dzieje si� tak pomimo zachowania poszczeg�lnych agent�w sk�adaj�cego si� tylko z kilku lokalnych regu�. W modelu Fireflies, agenci ��wia s� w stanie zsynchronizowa� miganie przy u�yciu tylko interakcji mi�dzy s�siednimi agentami; ponownie tylko lokalne regu�y okre�laj� zachowanie poszczeg�lnych agent�w. Model termit�w i model maszyny stanowej symuluj� zachowanie termit�w. Po uruchomieniu tych modeli przez pewien czas �atki "zr�bk�w drewnianych" zostan� umieszczone w kilku stosach. Trzy zrzuty ekranu modelu przyk�adowego maszyny stanu s� pokazane na rysunku poni�eh.

Lewy obraz pokazuje �rodowisko na pocz�tku symulacji (liczba tykni�� = 0). Pokazuje agent�w umieszczonych losowo w ca�ym �rodowisku, z ��tymi plamami przedstawiaj�cymi zr�bki i bia�e kszta�ty reprezentuj�ce termity. �rodkowe i prawe obrazy pokazuj� otoczenie po 5000 i 50 000 tykni��. Pomara�czowe kszta�ty przedstawiaj� termity, kt�re nios� drewniane wi�ry, a bia�e kszta�tuj� te, kt�re nie s�. Te dwa obrazy pokazuj� system �rodk�w termit�w, wi�r�w drzewnych i �rodowiska, kt�re stopniowo samoorganizuj� si�, dzi�ki czemu zr�bki ko�cz� si� w kilku stosach. Kod dla przyk�adowego modelu jest pokazany poni�ej:

turtles-own [
task ;;nazwa procedury (ci�g) ��w b�dzie biega� podczas tego tiku
steps ;; …chyba �e liczba ta jest wi�ksza od zera, w kt�rym
;; w przypadku tego tykni�cia ��w porusza si� do przodu 1
]
to setup
clear-all
set-default-shape turtles "bug"
;; losowo rozprowadza� zr�bki
ask patches [
if random-float 100 < density
[ set pcolor yellow ]
]
;; losowo rozprowadzaj termity
crt number [
set color white
setxy random-xcor random-ycor
set task "search-for-chip"
set size 5 ;; easier to see
]
end
to go
ask turtles
[ ifelse steps > 0
[ set steps steps - 1 ]
[ run task
wiggle ]
fd 1 ]
tick
end
to wiggle ;; procedura ��wia
rt random 50
lt random 50
end
to search-for-chip ;; procedura ��wia - "podnosi chi", zmieniaj�c kolor na pomara�czowy
if pcolor = yellow
[ set pcolor black
set color orange
set steps 20
set task "find-new-pile" ]
end
to find-new-pile ;; procedura ��wia - poszukaj ��tej �atki
if pcolor = yellow
[ set task "put-down-chip" ]
end
to put-down-chip ;; procedura ��wia - wyszukuje puste miejsce i upuszcza chip
if pcolor = black
[ set pcolor yellow
set color white
set steps 20
set task "get-away" ]
end
to get-away ;; procedura ��wia - wyjd� z ��tego stosu
if pcolor = black
[ set task "search-for-chip" ]
end

Procedura setup losowo rozprowadza ��te �rodki p�atkowe i �rodki termit�w w ca�ym �rodowisku. Polecenie ask w procedurze go okre�la zachowanie agent�w termit�w. Zastosowane podej�cie polega na reprezentowaniu zachowania jako sko�czonej maszyny stanu sk�adaj�cej si� z czterech stan�w z inn� akcj� lub zadaniem wykonywanym przez agenta, zapewniaj�cym przej�cie do nast�pnego stanu. Te zadania to: poszukiwanie wi�r�w drewnianych; znalezienie nowego stosu; odk�adanie kawa�ka drewna; i wydostanie si� ze stosu. Uproszczona sko�czona maszyna stan�w dla tego modelu zosta�a przedstawiona na rysunku

M�wi si�, �e system w og�lnym sensie ewoluuje, je�li dostosowuje si� lub zmienia w czasie, zwykle od prostej do bardziej z�o�onej postaci. Termin "ewolucja" ma r�ne znaczenia w r�nych kontekstach, co mo�e powodowa� pewne zamieszanie. Bardziej szczeg�owe znaczenie odnosi si� do terminu ewolucji do teorii ewolucji Darwina - m�wi si�, �e gatunek ewoluuje, gdy nast�puje zmiana w DNA jego populacji z pokolenia na pokolenie. Zmiana jest przekazywana potomstwu poprzez reprodukcj�. Zmiany te mog� by� niewielkie, ale po wielu pokoleniach po��czone efekty mog� prowadzi� do istotnych zmian w organizmach. Aby odr�ni� r�ne znaczenia terminu "ewolucja", mo�emy zdefiniowa� zachowanie adaptacyjne i ewoluuj�ce osobno w nast�puj�cy spos�b. Agent wykazuje zachowania adaptacyjne, gdy ma zdolno�� zmiany swojego zachowania w jaki� spos�b w odpowiedzi na zmiany w �rodowisku. Je�li zmienia si� �rodowisko, zachowanie dobrze dostosowane do poprzedniego �rodowiska mo�e ju� nie by� tak dobrze dostosowane; Na przyk�ad, bardziej przejrzyste, pokazano, �e niekt�re zachowania dostosowane do warunk�w labiryntu Hampton Court Palace nie s� tak dobrze dopasowane do �rodowiska labiryntu Chevening House i na odwr�t. Z drugiej strony ewolucja zachowa� wyst�puje w populacji, gdy jej geneza zmieni�a si� z pokolenia na pokolenie. Ewolucja w populacji jest nap�dzana przez dwa g��wne mechanizmy - selekcj� naturaln� i dryf genetyczny. Selekcja naturalna to proces, w kt�rym osoby z dziedzicznymi cechami, kt�re s� pomocne w rozmna�aniu i przetrwaniu w �rodowisku, stan� si� bardziej powszechne w populacji, podczas gdy szkodliwe cechy stan� si� rzadsze. Dryf genetyczny jest zmian� wzgl�dnej cz�stotliwo�ci dziedzicznych cech ze wzgl�du na rol� przypadku w okre�leniu, kt�re osobniki prze�ywaj� i rozmna�aj� si�. Ewolucja cz�owieka i gatunk�w zwierz�t ma miejsce przez setki tysi�cy lat, a czasem miliony. Aby przedstawi� te skale czasowe w perspektywie i aby pokaza�, jak ma�e zmiany mog� mie� epokowe efekty, mo�emy pos�u�y� si� przyk�adem G�ry Himalajskiej. Linia uskok�w rozci�ga si� od jednego ko�ca Himalaj�w do drugiego, poniewa� znajduje si� na granicy mi�dzy tektonicznymi p�ytami euroazjatyckimi i indoeurlandzkimi, a w konsekwencji jest jednym z najbardziej aktywnych sejsmicznie region�w na �wiecie. Badania wykaza�y, �e Himalaje wci�� rosn� w tempie oko�o 1 cm rocznie. Chocia� wzrost o 1 cm rocznie mo�e wydawa� si� nieistotny, je�li zaplanujemy tak daleko w przysz�o�ci, efekt akumulacyjny mo�e by� niezwyk�y. Po 100 latach wzro�nie tylko o metr; po 1000 latach, 10 m; po 10000 latach, zaledwie 100 m, nadal nie jest szczeg�lnie znacz�cy w por�wnaniu do og�lnej �redniej wysoko�ci g�r. Jednak po 100 000 lat wzro�nie o 1 km - to ponad 10% obecnej wysoko�ci Mt. Everest, kt�ry wynosi 8 848 metr�w. Po milionie lat wzrost wyniesie 10 km, co wi�cej ni� podwaja obecn� wysoko�� Mt. Everest. Proces, kt�ry powoduje niewielkie zmiany z roku na rok, o ile jest sta�y, spowoduje dramatyczne zmiany w ci�gu miliona lat. Mt. Everest stale ro�nie od miliona lat, jest oczywi�cie hipotetyczn� sytuacj�, poniewa� istniej� inne si�y dzia�aj�ce, takie jak erozja i ruch p�yt tektonicznych. W przeciwie�stwie do tego wzrost m�rz, nawet tak niewielkiej jak 1 cm na rok, mo�e spowodowa� dramatyczne zmiany w znacznie kr�tszym czasie. Dryf kontynentalny spowodowa� r�wnie� znacz�c� zmian� w krajobrazie �wiata. Odleg�o�� lotu mi�dzy Sydney, Australia i Wellington w Nowej Zelandii wynosi na przyk�ad 2220 km. Je�li Nowa Zelandia oddala�a si� od Australii w tempie 1 cm rocznie, to mia�o to miejsce w okresie 222 milion�w lat. Bez wzgl�du na to, jak dobrze nadaje si� dany gatunek do przetrwania w obecnym �rodowisku, b�dzie potrzebowa� dostosowa� si� do zmian na poziomie epoki, je�li ma przetrwa� bardzo d�ugo.

Problem z odniesieniem

Wa�ne jest, aby nie przypisywa� b��dnych wyja�nie� z obserwacji mechanizmom stoj�cym za zachowaniem uciele�nionego przedstawiciela znajduj�cego si� w otoczeniu. Ramy odniesienia wskazuj� na r�nic� mi�dzy perspektyw� obserwatora a perspektyw� obserwowanego ze wzgl�du na ich r�ne przyk�ady wykonania. Ka�dy prawdziwy agent jest wyj�tkowy ze swoim cia�em i m�zgiem, z unikalnym zestawem mo�liwo�ci wykrywania i ma wyj�tkow� lokalizacj� w �rodowisku (poniewa� w prawdziwych �rodowiskach �adne dwa cia�a nie mog� zajmowa� tej samej przestrzeni w tym samym czasie) . Dlatego ka�dy agent ma unikaln� perspektyw� swojego otoczenia; w zwi�zku z tym perspektywa czynnika wykonuj�cego obserwacj� b�dzie bardzo odmienna od perspektywy obserwowanego czynnika. Rozbie�no�ci w ramach odniesienia b�d� najbardziej wyra�ne mi�dzy gatunkami o znacznie r�nych przyk�adach wykonania, na przyk�ad mi�dzy lud�mi a owadami. Cz�sto ludzie jako obserwatorzy pope�niaj� b��d przypisywania zdolno�ci podobnych do ludzkich przy opisywaniu mechanizm�w stoj�cych za zachowaniem, kt�re jest obserwowane. Na przyk�ad magnetyczne kopce termit�w w p�nocnej Australii wszystkie stoj� na p�noc i z daleka wygl�daj� jak nagrobki na cmentarzu. W tym przypadku �atwo jest pope�ni� b��d, �e zosta�y one stworzone zgodnie z pewnym centralnym planem, ale kopce termit�w s� wynikiem wielu pojedynczych czynnik�w stosuj�cych proste zachowanie reaktywne. Rolf Pfeifer i Christian Scheier twierdz�, �e istniej� trzy g��wne aspekty ram odniesienia: kwestia perspektywy; kwestia zachowania w stosunku do mechanizmu; i problem z�o�ono�ci. Kwestia perspektywy dotyczy potrzeby rozr�nienia perspektyw obserwatora od obserwowanego, a nie przypisywania opis�w mechanizm�w z punktu widzenia obserwatora. Problem zachowania wzgl�dem mechanizmu stwierdza, �e zachowanie agenta nie jest tylko wynikiem samych mechanizm�w wewn�trznych; interakcja mi�dzy agentem a �rodowiskiem r�wnie� ma wa�n� rol� do odegrania. Problem z�o�ono�ci wskazuje, �e z�o�one zachowania niekoniecznie s� wynikiem z�o�onych mechanizm�w le��cych u podstaw. Rolf Pfeifer i Christian Scheier u�ywaj� eksperymentu my�lowego mr�wki na pla�y, zaproponowanej przez Simona po raz pierwszy, aby zilustrowa� te problemy. Podobny scenariusz przedstawiono w Eksperymencie My�lowym 1.

Eksperyment My�lowy 1 : Mr�wka na pla�y

Wyobra� sobie mr�wk� powracaj�c� do gniazda na skraju pla�y w pobli�u lasu. Napotyka przeszkody po drodze w lesie, takie jak d�uga trawa, opad�e li�cie i ga��zie, a nast�pnie przyspiesza po dotarciu do pla�y, kt�ra jest blisko gniazda. Pod��a specyficznym szlakiem wzd�u� pla�y i napotyka kolejne przeszkody, takie jak ma�e ska�y, drewno, suszone wodorosty i r�ne �mieci, takie jak odrzucone plastikowe butelki i d�ety wysypane z morza. Mr�wka zdaje si� pod��a� okre�lon� �cie�k� i reagowa� na obecno�� przeszk�d, obracaj�c si� w pewnych kierunkach, jakby prowadzona przez mentaln� map� terenu. Wi�kszo�� mr�wek pod��aj�cych za oryginaln� mr�wk� r�wnie� podr�uje w ten sam spos�b. W ko�cu wszystkie mr�wki wracaj� do gniazda, nawet te, kt�re wydawa�y si� zagubione po drodze. Ch�opiec id�cy po pla�y zauwa�a szlak mr�wek. Decyduje si� zablokowa� ich szlak, buduj�c na ich drodze niewielki stos piasku. Pierwsza mr�wka, kt�ra dociera do nowej przeszkody, zdaje si� od razu rozpoznawa�, �e na jej drodze jest co� nowego, czego wcze�niej nie by�o. Powoli skr�ca w prawo, a potem w lewo, jakby szuka� �cie�ki wok� przeszkody. Pojawiaj� si� r�wnie� inne mr�wki i razem wydaj� si� koordynowa� polowanie na �cie�k� wok� przeszkody. W ko�cu mr�wki s� w stanie znale�� cie�k� wok� przeszkody i wr�ci� do gniazda. Po pewnym czasie wybierana jest jedna konkretna �cie�ka bliska najkr�tszej drodze powrotnej do gniazda. Z punktu widzenia obserwatora mr�wki zdaj� si� wykazywa� inteligentne zachowanie. Po pierwsze, wydaj� si� pod��a� konkretn� z�o�on� �cie�k� i zdaj� si� mie� zdolno�� rozpoznawania punkt�w orientacyjnych po drodze. Po drugie, wydaj� si� mie� zdolno�� do przekazywania informacji mi�dzy sob�. Na przyk�ad szybko przesy�aj� lokalizacj� nowego �r�d�a po�ywienia, dzi�ki czemu mog� �ledzi� inne mr�wki. Po trzecie, mog� znale�� najkr�tsz� �cie�k� mi�dzy dwoma punktami. Po czwarte, radz� sobie ze zmieniaj�cym si� �rodowiskiem. Jednak b��dem by�oby przypisywanie inteligencji zachowaniom mr�wek. Badania wykaza�y, �e mr�wki po prostu wykonuj� ma�y zestaw regu� w spos�b reaktywny. Nie maj� mo�liwo�ci stworzenia mapy swojego �rodowiska, kt�r� inne mr�wki mog� �ledzi� w p�niejszym czasie. Nie s� �wiadomi kontekstu swojej sytuacji, tak jak przeszli d�ug� drog�, ale s� teraz blisko gniazda, wi�c mog� przyspieszy�, aby szybciej wr�ci�. Nie mog� przekazywa� informacji bezpo�rednio, z wyj�tkiem zapachu chemicznego ustanowionego w �rodowisku. Nie mog� omawia� i realizowa� nowego planu ataku, gdy sprawy nie id� zgodnie z planem, a nie ma centralnego koordynatora. Nale�y to por�wna� z umiej�tno�ciami ludzkimi, takimi jak orientator u�ywaj�cy mapy do zlokalizowania flag kontrolnych umieszczonych przez kogo� innego las lub pla�a lub biegacz przy�pieszaj�cy po d�ugim biegu, poniewa� wie, �e zbli�a si� koniec, lub my�liwy z plemienia powracaj�cego do obozu, by powiedzie� innym my�liwym, gdzie jest wi�cej zwierz�t, lub szefowi plemi� polecaj�ce grupie my�liwych, aby wyszli i szukali wi�cej jedzenia. Teraz wyobra� sobie, �e mr�wka ma olbrzymie cia�o, takie same jak ludzkie. Najprawdopodobniej zachowanie gigantycznej mr�wki b�dzie zupe�nie inne ni� w przypadku normalnej wielko�ci mr�wki. Ma�e obiekty, kt�re by�y przeszkodami dla mr�wki z normalnym rozmiarem cia�a, nie stanowi�yby problemu. W rzeczywisto�ci by�yby one zignorowane najprawdopodobniej, a gigantyczna mr�wka powr�ci�aby bardziej bezpo�rednio z powrotem do gniazda. Inne obiekty, kt�rych normalnej wielko�ci mr�wka nie by�aby �wiadoma, �e s� odr�bne, takie jak drzewo, teraz stanowi�yby inny problem dla gigantycznej mr�wki w stosunku do jej post�pu przez teren. A teraz gigantyczna mr�wka mo�e mie� trudno�ci z wyczuwaniem chemicznego zapachu le��cego na ziemi. Podsumowuj�c, zmiana w ciele mr�wki radykalnie zmienia perspektyw� jego otoczenia.

Stygmatyzacja i inteligencja rozproszona

W opisanych wcze�niej modelach Termity i Mr�wki widzieli�my ju� kilka przyk�ad�w tego, jak zbi�r agent�w reaktywnych mo�e wykonywa� z�o�one zadania, kt�re przekraczaj� mo�liwo�ci kt�regokolwiek z agent�w dzia�aj�cych pojedynczo. Z naszego w�asnego uk�adu odniesienia agenci wydaj� si� zbiorowo wykazywa� inteligentne zachowanie, chocia� jak wyja�niono w poprzedniej sekcji, by�oby to niepoprawne. Modele NetLogo ilustruj�, w jaki spos�b mechanizmy stoj�ce za takimi zachowaniami s� bardzo proste - wystarczy kilka zasad okre�laj�cych, w jaki spos�b agenci powinni wchodzi� w interakcj� ze �rodowiskiem. Ta sekcja definiuje dwie wa�ne koncepcje zwi�zane z inteligencj� zbioru agent�w: stygmatyzacj� i inteligencj� roju. Zbi�r agent�w przejawia stigmergi�, gdy w jaki� spos�b korzystaj� ze �rodowiska, a dzi�ki temu s� w stanie koordynowa� swoje dzia�ania, aby tworzy� z�o�one struktury poprzez samoorganizacj�. Kluczow� ide� stigmergii jest to, �e �rodowisko mo�e mie� istotny wp�yw na zachowanie agenta i na odwr�t. Innymi s�owy, wp�yw mi�dzy �rodowiskiem a agentem jest dwukierunkowy. W prawdziwym �yciu stygmatyzacja wyst�puje w�r�d owad�w spo�ecznych, takich jak termity, mr�wki, pszczo�y i osy. Jak widzieli�my w modelach Termites i Ants, stygmergia mo�e wyst�powa� pomi�dzy bardzo prostymi agentami reaktywnymi, kt�rzy maj� jedynie zdolno�� reagowania w spos�b lokalny na informacje lokalne. Te �rodki nie maj� inteligencji i wzajemnej �wiadomo�ci w tradycyjnym sensie, nie u�ywaj� pami�ci i nie maj� zdolno�ci planowania, kontroli lub bezpo�redniej komunikacji ze sob�. Maj� jednak zdolno�� wykonywania zada� na wy�szym poziomie w wyniku po��czonych dzia�a�. Stygmatyzacja nie ogranicza si� do przyk�ad�w �ycia naturalnego - Internet jest oczywistym przyk�adem. Wiele system�w komputerowych r�wnie� wykorzystuje stygmergi� - na przyk�ad algorytm optymalizacji kolonii mr�wek jest metod� znajdowania optymalnych �cie�ek jako rozwi�za� problem�w. Niekt�re systemy komputerowe korzystaj� ze wsp�u�ytkowanych struktur danych, kt�re s� zarz�dzane przez rozproszon� spo�eczno�� klient�w, kt�ra obs�uguje now� organizacj�. Jednym z przyk�ad�w jest architektura tablicy u�ywana w systemach AI opracowanych po raz pierwszy w latach 80. XX wieku. Tablica korzysta z komunikacji za po�rednictwem pami�ci wsp�dzielonej, kt�ra mo�e zosta� napisana niezale�nie przez agenta, kt�ry badani s� przez innych agent�w tak, jak w prawdziwym �yciu tablica w pokoju wyk�adowym. Tablice s� obecnie u�ywane w grach wideo dla strzelanek FPS i jako �rodek komunikacji mi�dzy agentami w sieci komputerowej. Zbi�r agent�w wykazuje inteligencj� roju, kiedy wykorzystuje wiedz� lokologiczn� stygmergiczn� do koordynowania swoich dzia�a� i tworzenia z�o�onych struktur poprzez samoorganizacj�. Mechanizmy stoj�ce za inteligencj� roju wykazywan� przez owady spo�eczne s� solidne, poniewa� nie ma scentralizowanej kontroli. S� r�wnie� bardzo skuteczne - co pokazuje wielko�� populacji �wiatowej i odzwierciedlenie rozwi�za� dla r�nych gatunk�w. Kilka liczb podkre�la ten punkt. Naukowcy szacuj�, �e w dzisiejszym �wiecie �yje oko�o 9000 gatunk�w mr�wek i jedna czworono�na (1015) mr�wek. Ponadto oszacowano, �e na przyk�ad kolonie mr�wek harwester maj� podobn� liczb� neuron�w co ludzki m�zg. Ludzie r�wnie� wykorzystuj� inteligencj� roju na wiele sposob�w. Internetowa encyklopedia, Wikipedia, to tylko jeden przyk�ad, kt�ry wynika ze zbiorowej inteligencji ludzi dzia�aj�cych indywidualnie przy minimalnej scentralizowanej kontroli. Serwisy spo�eczno�ciowe za po�rednictwem stron internetowych to kolejne. Obydwa korzystaj� ze stygmergicznych informacji lokalnych umieszczonych w chmurze.

Implementowanie zachowania agent�w Turtle w NetLogo

W NetLogo zachowanie agenta jest jawnie okre�lone przez polecenie ask. Definiuje to seri� polece� wykonywanych przez agenta lub zestaw agent�w, czyli procedur�, kt�r� ma wykona� agent. Procedura w programie komputerowym to specyficzna seria polece� wykonywanych w precyzyjny spos�b w celu wygenerowania po��dany wynik. Musimy jednak zachowa� ostro�no��, aby odr�ni� faktyczne zachowanie agenta od mechaniki procedury NetLogo, kt�ra s�u�y do definiowania zachowania. Celem wi�kszo�ci polece� proceduralnych jest manipulowanie zmiennymi wewn�trznymi, w tym zmiennymi globalnymi i w�asnymi zmiennymi agenta. Ta ostatnia odzwierciedla stan agenta i mo�e by� przedstawiona jako punkty w przestrzeni n-wymiarowej. Jednak ten stan jest niewystarczaj�cy, aby opisa� zachowanie agenta. Jego zachowanie jest reprezentowane przez dzia�ania wykonywane przez agenta, kt�re powoduj� pewne zmiany w jego w�asnym stanie, w stan innych agent�w lub w stan �rodowiska. Rodzaj zmiany, kt�ra pojawia si�, jest wynikiem zachowania. Niekt�re przyk�ady zachowa�, kt�re ju� widzieli�my, prezentowane przez agent�w w modelach Netlogo, to: poszukiwanie �erowania po�ywienia przez czynniki mr�wkowe w modelu Mr�wki, co skutkuje efektywnym zwrotem �ywno�ci do zagnie�d�a� si� jako wynik; zachowanie buduj�ce gniazda czynnik�w termit�w w modelach termit�w i modeli maszynowych, w wyniku czego zr�bki drewniane s� umieszczane w stosach jako wynik; oraz zachowanie �ciany ��wia w modelu Wall Po Przyk�ad, kt�ry powoduje, �e wszystkie ��wie dzia�aj� na wszystkie �ciany w okre�lonym kierunku jako rezultat. Biblioteka modeli w NetLogo zawiera wiele innych przyk�ad�w, w kt�rych agenci wykazuj� bardzo r�ne zachowania. W wi�kszo�ci tych modeli podstawowe mechanizmy s� spowodowane mechanicznym zastosowaniem kilku lokalnych regu�, kt�re definiuj� zachowanie. Na przyk�ad model Fireflies symuluje zdolno�� populacji �wietlik�w u�ywaj�cych tylko lokalnych interakcji do synchronizowania ich flashowania jako wyniku. Model Heatbugs pokazuje, w jaki spos�b mo�e powsta� kilka rodzaj�w zachowa� wynikaj�cych z zastosowania przez agent�w prostych regu� w celu utrzymania optymalnej temperatury wok� siebie. Model flokowania na�laduje zachowanie stada ptak�w, co jest r�wnie� podobne do zachowania szkolnego ryb i zachowa� stadnych byd�a i owiec. Wynik ten osi�ga si� bez lidera, przy czym ka�dy agent wykonuje ten sam zestaw zasad. Zwarto�� kodu NetLogo w tych modelach potwierdza, �e z�o�ono�� zachowania niekoniecznie koreluje ze z�o�ono�ci� mechanizm�w le��cych u podstaw. Zachowanie mo�na okre�li� za pomoc� r�nych alternatyw, na przyk�ad za pomoc� procedur i polece� NetLogo oraz automat�w stanu sko�czonego. Ten ostatni jest abstrakcyjnym modelem zachowania z ograniczon� pami�ci� wewn�trzn�. W tym formacie zachowanie mo�na uzna� za wynik przej�cia agenta z jednego stanu do drugiego - lub punktu w przestrzeni n-wymiarowej - poniewa� mo�e on by� reprezentowany jako skierowany wykres ze stanami, przej�ciami i dzia�aniami. Aby utworzy� powi�zanie mi�dzy procedur� zaimplementowan� w j�zyku programowania, takim jak NetLogo i sko�czone automaty stan�w (a tym samym ponownie podkre�li� analogi� mi�dzy zachowaniem a ruchem agenta znajduj�cego si� w �rodowisku), �ciana �ledz�ca zachowanie NetLogo Code powt�rzony poni�ej zosta� przekszta�cony na r�wnowa�ny sko�czony automat stan�w na rysunku

to behaviour-wall-following
; klasyczne zachowanie "na �cianie"
if not wall? (90 * direction) 1 and wall? (135 * direction) (sqrt 2)
[ rt 90 * direction ]
;;�ciana prosto: w razie potrzeby skr�� w lewo (czasami wi�cej ni� raz)
while [wall? 0 1] [ lt 90 * direction]
;; p�j�� naprz�d
fd 1
end

Kod zosta� przekonwertowany na sko�czony automat stan�w poprzez uporz�dkowanie stan�w w trybie dzia�ania "zmys��w - my�l-dzia�anie" zgodnie z opisem. Zwr�� uwag�, �e nie jeste�my ograniczeni do dokonywania konwersji w ten szczeg�lny spos�b - mo�emy dowolnie organizowa� pa�stwa i przej�cia w dowolny spos�b. W tym przyk�adzie stany i przej�cia, jak pokazano na rysunku, zosta�y zorganizowane w celu odzwierciedlenia rodzaju dzia�ania (wykrywanie, my�lenie lub dzia�anie), kt�re agent ma wykona� podczas nast�pnego przej�cia ze stanu. Ponadto, niezale�nie od wybranej �cie�ki, kolejno�� przechodzenia stan�w jest zawsze stanem odczuwaj�cym, po kt�rym nast�puje stan my�lenia, a nast�pnie stan dzia�ania. Nast�pnie nast�puje kolejny stan odczuwania i tak dalej. Na przyk�ad zachowanie agenta rozpoczyna si� od stanu wyczuwania (oznaczonego jako "Stan czuwania 1") na lewym �rodku rysunku. Jest tylko na przej�ciu poza tym stanem i u�ywany jest okre�lony sens jest widzeniem, poniewa� wykonywana czynno�� polega na szukaniu �ciany po korzystnej stronie (to znaczy prawej stronie, gdy pod��aj� za prawymi �ciankami, a lewej strony, je�li pod��aj� za �cianami po lewej r�ce). Nast�pnie agent przechodzi do stanu my�lenia (Thinking State 1), kt�ry uwzgl�dnia informacje, kt�re otrzyma� z tego, co wyczu�. My�l�ca czynno�� wykonywana przez agenta polega na odnotowaniu, czy w pobli�u znajduje si� �ciana. Je�li nie by�o, to agent przechodzi do stanu dzia�ania (Stan dzia�ania 1), kt�ry polega na wykonaniu dzia�ania obracania o 90 � w kierunku preferowanej strony. Je�li by�a �ciana, nie wykonuje si� �adnej akcji (Stan dzia�ania 2). Zauwa�, �e robienie niczego nie jest uwa�ane za dzia�anie, poniewa� jest ruchem o zerowej d�ugo�ci. Agent przejdzie nast�pnie do nowego stanu odczuwania (Sensing State 2), kt�ry obejmuje wyczuwalne dzia�anie polegaj�ce na szukaniu �ciany przed sob�. B�dzie on wielokrotnie przechodzi� przez stan roboczy (Stan dzia�ania 3), obracaj�c si� o 90 � w kierunku przeciwnym do preferowanej strony i z powrotem do Czu�y 2, dop�ki nie b�dzie �ciany naprz�d. Nast�pnie przejdzie do stanu dzia�ania (Stan dzia�ania 4) przesuni�cia o 1 stopie� do przodu i do pocz�tku. Jak wskazano, metoda dzia�ania "Rozwa�aj - my�l - dzia�aj" ma ograniczenia w stosowaniu do modelowania prawdziwych, inteligentnych lub poznawczych zachowa�, i zasugerowano alternatywne podej�cie obejmuj�ce uciele�nione, usytuowane poznanie. Pozostaje jednak pytanie o to, jak wdro�y� takie podej�cie, poniewa� skutecznie obejmuje ono wykrywanie, my�lenie i dzia�anie, wszystkie wyst�puj�ce jednocze�nie, tj. Jednocze�nie, a nie sekwencyjnie. Opracowano dwa modele NetLogo, aby zilustrowa� jeden spos�b, w jaki mo�na to symulowa�. Pierwszy model (nazywany Wall Following Example 2) jest modyfikacj� modelu Wall Po Example opisanego w poprzednim rozdziale. Zmodyfikowany interfejs udost�pnia selektor, kt�ry pozwala u�ytkownikowi wybra� standardowe zachowanie po �cianie lub zmodyfikowany wariant. Zmodyfikowany kod jest wy�wietlany w kodzie NetLogo

turtles-own
[direction ;; 1 pod��a za praw� �cian�, -1 pod��a za lew� �cian�
way-is-clear? ;; reporter - prawda, je�li nie ma przed sob� �ciany
checked-following-wall?] ;; reporter - prawda, je�li zaznaczona po �cianie
to go
if-else (behaviour = "Standard")
[ ask turtles [ walk-standard ]]
[ ask-concurrent turtles
[ walk-modified shuffle [1 2 3]]
]
tick
end
to walk-standard ;; standardowe zachowanie ��wia
;; w razie potrzeby skr�� w prawo
if not wall? (90 * direction) and wall? (135 * direction)
[ rt 90 * direction ]
;; w razie potrzeby skr�� w lewo (czasami wi�cej ni� raz)
while [wall? 0] [ lt 90 * direction ]
;; p�j�� do przodu
fd 1
end
to walk-modified [order] ;; zmodyfikowane zachowanie podczas chodzenia ��wia
ifelse (choose-sub-behaviours = "Choose-all-in-random-order")
[
foreach order
[ if (? = 1) [ walk-modified-1 ]
if (? = 2) [ walk-modified-2 ]
if (? = 3) [ walk-modified-3 ]]
][
let ord one-of order
if (ord = 1) [ walk-modified-1 ]
if (ord = 2) [ walk-modified-2 ]
if (ord = 3) [ walk-modified-3 ]
]
end
to walk-modified-1 ;; zmodyfikowane zachowanie podchodz�ce do ��wia 1
;; w razie potrzeby skr�� w prawo
if not wall? (90 * direction) and wall? (135 * direction)
[ rt 90 * direction ]
set checked-following-wall? true
end
to walk-modified-2 ;; zmodyfikowane zachowanie podchodz�ce do ��wia 2
;; w razie potrzeby skr�� w lewo (czasami wi�cej ni� raz)
ifelse (wall? 0)
[ lt 90 * direction
set way-is-clear? false ]
[ set way-is-clear? true ]
end
to walk-modified-3 ;; zmodyfikowane poddzia�anie chodzenia ��wia 3
;; p�j�� do przodu
if way-is-clear? and checked-following-wall?
[ fd 1
set way-is-clear? false
set checked-following-wall? false ]
end

Aby zasymulowa� r�wnoleg�y charakter zmodyfikowanego zachowania, oryginalne zachowania zwi�zane z zachowaniem �ciany zosta�y podzielone na trzy pod-zachowania - s� one okre�lone w procedurach walk-modified-1, walk-modified-2 i walk-modified-3 powy�szego kodu. Pierwsza procedura sprawdza, czy agent nadal pod��a za �cian� i w razie potrzeby zmienia si� na preferowan� stron�. Nast�pnie ustawia zmienn� agenta, checked-following-wall na prawd�, aby wskaza�, �e to zrobi�o. Druga procedura sprawdza, czy �ciana jest przed nami, skr�ca w przeciwnym kierunku do preferowanej strony, je�li istnieje, a nast�pnie ustawia now� zmienn� agenta way-is-clear aby wskaza�, czy �ciana jest przed nami, czy nie. Trzecia procedura przesuwa si� o 1 krok do przodu, ale tylko wtedy, gdy obie drogi s� wyra�nie przed sob� i wykonano sprawdzenie pod��ania za �cian�. Zasadniczo og�lne zachowanie jest takie samo jak poprzednio, poniewa� wszystko, co zrobili�my, to podzielenie pierwotnego zachowania na trzy pod-zachowania - innymi s�owy, samo zrobienie tego samo nie przynosi niczego nowego. Powodem tego jest umo�liwienie nam wykonywania sub-zachowa� w spos�b niesekwencyjny, niezale�nie od siebie, w celu symulowania zachowania "odczuwanie i my�lenie i dzia�anie", gdzie "i" wskazuje, �e ka�dy jest wykonywany jednocze�nie, w bez szczeg�lnej kolejno�ci. Mo�na to zrobi� w NetLogo za pomoc� polecenia ask-concurrent, jak pokazano w procedurze go w kodzie. Zapewnia to, �e ka�dy agent na zmian� wykonuje komendy procedury walk-modified. G��wna r�nica w por�wnaniu ze standardowym zachowaniem jest widoczna w tej procedurze. Interfejs do modelu zapewnia inny wybierak, kt�ry pozwala u�ytkownikowi ustawi� zmienn� choose-sub-behaviours, kt�ra kontroluje spos�b wykonywania czynno�ci podrz�dnych. Je�li ta zmienna jest ustawiona na " Choose-all-in-random order", wtedy wszystkie trzy sub-zachowania b�d� wykonywane jak przy standardowym zachowaniu, ale tym razem w losowej kolejno�ci; w przeciwnym razie zmienna jest ustawiona na Choose-one-at-random" i wybierane jest tylko jedno zachowanie podrz�dne. Oczywi�cie spos�b, w jaki modyfikowane zachowanie jest wykonywane, jest teraz wyra�nie r�ny od standardowego zachowania - mimo �e pierwszy wykonuje te same pod-zachowania tego drugiego, to jest to wykonywane w okre�lonej kolejno�ci, lub wybierane jest tylko jedno z trzech pod-zachowa�. ka�dy tyk. A jednak podczas pracy z modelem uzyskuje si� takie same og�lne wyniki, niezale�nie od tego, kt�ry wariant modelu zostanie wybrany - ka�dy agent z powodzeniem udaje si� pod��a� za �cianami, kt�re znajduj� si� w �rodowisku. Wyst�puj� niewielkie r�nice mi�dzy poszczeg�lnymi wariantami, takie jak wielokrotne przechodzenie w ty� i w d� w d� po kr�tkich �lepiach za zmodyfikowane warianty. Zdolno�� zmodyfikowanych wariant�w do osi�gni�cia podobnego rezultatu co orygina� jest interesuj�ca, poniewa� zmodyfikowana metoda jest zar�wno skuteczna, jak i niezawodna - niezale�nie od tego, kiedy iw jakiej kolejno�ci wykonywane s� subkwarki, og�lny wynik jest nadal podobnie. Drugi model NetLogo, model Wall Following Events, zosta� stworzony w celu konceptualizacji i wizualizacji zmodyfikowanego zachowania. Model ten uwa�a, �e agent jednocze�nie rozpoznaje i przetwarza wiele strumieni "zdarze�", kt�re odzwierciedlaj� to, co dzieje si� z nim samym i w �rodowisku (w spos�b podobny do tego przyj�tego w procesie przetwarzania strumienia zdarze� (ESP). maj� r�ne typy, ale s� traktowane jako r�wnowa�ne sobie nawzajem pod wzgl�dem sposobu ich przetwarzania. Zachowanie definiuje si� poprzez ��czenie szeregu zdarze� w las drzew (jeden lub wi�cej acyklicznych kierowanych wykres�w), jak pokazano na rysunku.

Drzewa ��cz� ze sob� serie zdarze� (reprezentowane jako w�z�y na wykresie), kt�re musz� wyst�powa� w po��czeniu ze sob�. Je�li okre�lone zdarzenie nie jest zarejestrowane w drzewie, to zdarzenie nie jest rozpoznawane przez agenta (tj. jest ignorowane i nie ma wp�ywu na zachowanie agenta). Przetwarzanie zdarze� odbywa si� w spos�b reaktywny - to znaczy, �e okre�lona �cie�ka w drzewie jest przesuwana przez sukcesywne dopasowywanie zdarze�, kt�re obecnie wyst�puj� do agenta, w stosunku do wychodz�cych przej�� z ka�dego w�z�a. Je�li nie ma �adnych przej�� wychodz�cych lub �adne nie pasuj�, �cie�ka jest �lepym zau�kiem, w kt�rym to momencie traversal si� zatrzyma. Odbywa si� to jednocze�nie dla ka�dego zdarzenia; innymi s�owy, istnieje wiele punkt�w pocz�tkowych, a zatem jednoczesne aktywacje w sieci le�nej. Na rysunku, drzewa zdarze� zosta�y zdefiniowane w celu reprezentowania zmodyfikowanej �ciany po zachowaniu okre�lonym powy�ej. Ka�dy w�ze� na wykresie reprezentuje zdarzenie, kt�re jest oznaczone przez identyfikator strumienia, oddzielone znakiem "=", po kt�rym nast�puje identyfikator zdarzenia. Na przyk�ad w�ze� oznaczony [motor-event = moveforward-1] identyfikuje zdarzenie motoryczne dotycz�ce przesuwania do przodu o 1 stopie�. W przypadku tego modelu zachowania istniej� cztery typy zdarze� - wykrywanie zdarze�, w kt�rych agent rozpoczyna aktywne wykrywanie konkretnego strumienia danych czuciowych (takiego jak widok, jak na rysunku); zdarzenia ruchowe, w kt�rych agent wykonuje pewien ruch lub dzia�anie, zdarzenia okre�lone przez obiekt, kt�re wyst�puj�, gdy dany obiekt jest rozpoznawany przez agenta; i zdarzenia abstrakcyjne, kt�re s� abstrakcyjnymi sytuacjami, kt�re s� wynikiem jednego lub wi�cej zdarze� zmys�owych, motorycznych i abstrakcyjnych, i kt�re mog� by� r�wnie� tworzone lub usuwane przez agenta z jego wewn�trznej pami�ci (kt�ra rejestruje, kt�re abstrakcyjne zdarzenia s� obecnie aktywne). Je�li w pami�ci znajduje si� okre�lone abstrakcyjne zdarzenie, mo�na go u�y� do p�niejszego dopasowywania przez agenta wzd�u� �cie�ki drzewa. Na przyk�ad w�ze� oznaczony [sensing event = use-sight] w �rodkowym prawym rogu rysunku reprezentuje zdarzenie, w kt�rym agent u�ywa zmys�u wzroku. Na tym czuciowym kanale wej�ciowym mo�e wyst�pi� wiele zdarze�, ale tylko dwa zdarzenia s� szczeg�lnie istotne dla zdefiniowania zachowania na �cianie - s� to zar�wno zdarzenia ruchowe, z kt�rych jedno jest dzia�aniem polegaj�cym na patrzeniu w przysz�o��, a drugim jest dzia�aniem polegaj�cym na patrzeniu w prawo. . Nast�pnie, w zale�no�ci od tego, kt�ra �cie�ka jest �ledzona, w drzewku napotykane s� r�ne zdarzenia sensed-object, albo obiekt �ciany jest wykrywany, albo nic nie jest wykrywane. �cie�ki te s� kontynuowane, dop�ki nie zostanie wykonane ostatnie zdarzenie motoryczne (takie jak obr�t o 90 � w stron� preferowan� w prawym g�rnym rogu figury) lub zostanie utworzone zdarzenie abstrakcyjne (np. czy �ledzenie �ciany zosta�o sprawdzone w dole rysunku). Nale�y zauwa�y�, �e w przeciwie�stwie do modelu Sense - Think - Act, ten model zachowania nie ogranicza si� do okre�lonej kolejno�ci zdarze�. Ka�dy rodzaj zdarzenia mo�e "pod��a�" za innym, a dwa tego samego typu s� r�wnie� mo�liwe - na przyk�ad w �cie�ce, kt�ra rozpoczyna si� po lewej stronie rysunku, po sobie nast�puj� dwa abstrakcyjne zdarzenia. Nale�y r�wnie� zauwa�y�, �e u�ycie s�owa "follow" jest myl�ce w tym kontek�cie. Chocia� odpowiednio opisuje, �e jedno ��cze przychodzi po drugim na okre�lonej �cie�ce w modelu drzewa, zdarzenie mo�e faktycznie wyst�pi� jednocze�nie, a kolejno�� okre�lona przez �cie�k� drzewa jest dowolna i po prostu opisuje kolejno��, w kt�rej agent rozpozna obecno�� wielokrotnie wyst�puj�cych zdarze�. Na przyk�ad, nie ma powodu, dla kt�rego przeciwna kolejno�� nie mo�e by� obecna w drzewie; lub kolejno�� alternatywna, kt�ra doprowadzi do takiego samego zachowania (np. zamiana dw�ch abstrakcyjnych zdarze� na dole �cie�ki lewej r�ki na rysunku nie b�dzie mia�a wp�ywu na wynikowe zachowanie agenta). Kod s�u��cy do utworzenia zrzutu jest wy�wietlany w kodzie NetLogo

breed [states state]
directed-link-breed [paths path]
states-own
[ depth ;; g��boko�� w drzewie
stream ;; nazwa strumienia zdarze� sensorycznych lub motorycznych
event ;; zdarzenie sensoryczne lub motoryczne
]
globals
[ root-colour node-colour link-colour ]
;; okre�la spos�b wizualizacji drzewa zdarze�
to setup
clear-all ;; wyczy�� wszystko
set-default-shape states "circle 2"
set root-colour sky
set node-colour sky
set link-colour sky
add-events (list ["sensing-event" "use-sight"]
(list "motor-event" "look-to-right")
(list "sensed-object-event" "wall")
(list "motor-event" "turn-90-to-preferred-side")
(list "create-abstract-event" "checked-following-wall"))
add-events (list ["sensing-event" "use-sight"]
(list "motor-event" "look-to-right")
(list "sensed-object-event" "nothing")
(list "create-abstract-event" "checked-following-wall"))
add-events (list ["sensing-event" "use-sight"]
(list "motor-event" "look-ahead")
(list "sensed-object-event" "wall")
(list "motor-event" "turn-90-to-non-preferred-side"))
add-events (list ["sensing-event" "use-sight"]
(list "motor-event" "look-ahead")
(list "sensed-object-event" "nothing")
(list "create-abstract-event" "way-is-clear"))
add-events (list ["abstract-event" "checked-following-wall"]
(list "abstract-event" "way-is-clear")
(list "motor-event" "move-forward-1")
(list "delete-abstract-event" "way-is-clear")
(list "delete-abstract-event" "checked-following-wall"))
reset-layout
end
to reset-layout
repeat 500
[ layout-spring states paths spring-constant spring-length
repulsion-constant ]
;; zostaw miejsce wok� kraw�dzi
ask states [ setxy 0.95 * xcor 0.95 * ycor ]
end
to change-layout
reset-layout
display
end
to set-state-label
;; ustawia etykiet� dla stanu
set label (word "[" stream " = " event "] ")
end
to add-events [list-of-events]
;; dodaj zdarzenia z listy wydarze� do drzewa wydarze�.
;; ka�da pozycja listy wydarze� musi sk�ada� si� z dw�ch pozycji.
;; na przyk�ad [[odcie� 0,9] [jasno�� 0,8]]
let this-depth 0
let this-stream ""
let this-event ""
let this-state nobody
let next-state nobody
let these-states states
let matching-states []
let matched-all-so-far true
foreach list-of-events
[ set this-stream first ?
set this-event last ?
;; sprawd�, czy stan ju� istnieje
set matching-states these-states with
[stream = this-stream and event = this-event]
ifelse (matched-all-so-far = true) and (count matching-states > 0)
[
set next-state one-of matching-states
ask next-state [ set-state-label ]
set these-states [out-path-neighbors] of next-state ]
[ ;; stan nie istnieje - utw�rz got
set matched-all-so-far false
create-states 1
[
set size 8
set depth this-depth
set stream this-stream
set event this-event
set-state-label
ifelse (depth = 0)
[ set label-color root-colour ]
[ set label-color node-colour ]
ifelse (depth = 0)
[ set color root-colour ]
[ set color node-colour ]
set next-state self
]]
if (this-state != nobody)
[ ask this-state
[ create-path-to next-state [ set color link-colour ]]]
;; zej�� z drzewa
set this-state next-state
set this-depth this-depth + 1
]
ask links [ set thickness 1.3 ]
end

Kod najpierw okre�la dwa typy, stany i �cie�ki, kt�re reprezentuj� przej�cia mi�dzy stanami. Ka�dy agent pa�stwowy ma powi�zane trzy zmienne - depth, kt�ra jest odleg�o�ci� od stanu g��wnego drzewa; stream, kt�ry identyfikuje nazw� okre�lonego typu zdarzenia; i wydarzenie, kt�re jest nazw� wydarzenia. Typ zdarzenia nazywany jest "strumieniem", poniewa� u�ywamy analogii wygl�du zdarze� jako podobnych do przep�ywu obiekt�w w strumieniu. Wiele wydarze� mo�e "przep�ywa�" przesz�o�ci�, niekt�re pojawiaj� si� jednocze�nie, ale jest te� okre�lona kolejno�� nadej�cia wydarze�, poniewa� je�li zignorujemy konkretne wydarzenie, zostanie ono utracone - musimy sobie z nim w jaki� spos�b poradzi�. Procedura setup inicjalizuje drzewa zdarze�, wywo�uj�c procedur� add-events dla ka�dej �cie�ki. Ta procedura pobiera pojedynczy parametr jako dane wej�ciowe, kt�re jest list� zdarze� okre�lonych jako pary nazw strumieni i nazw zdarze�. Na przyk�ad dla pierwszego wywo�ania add-events lista zawiera pi�� zdarze�: pierwsza to zdarzenie typu "use-sight" w strumieniu sensing-event ; drugie jest zdarzeniem look-to-right w strumieniu motor-event; i tak dalej. Kierowana �cie�ka zawieraj�ca wszystkie zdarzenia z listy zdarze� jest dodawana do drzew zdarze�. Je�li pierwsze zdarzenie na li�cie nie wyst�puje w katalogu g��wnym �adnego istniej�cego drzewa, tworzony jest katalog g��wny nowego drzewa, a �cie�ka bez rozga��zie� z katalogu g��wnego jest dodawana w celu uwzgl�dnienia pozosta�ych zdarze� na li�cie. W przeciwnym razie pierwsze zdarzenia na li�cie s� por�wnywane z istniej�c� �cie�k�, z nowymi stanami dodanymi na ko�cu, gdy zdarzenia nie s� ju� zgodne.

Algorytm stada
v W 1986 r. Craig Reynolds opracowa� rozproszony model do symulacji zachowa� zwierz�t, kt�ry obejmuje skoordynowany ruch, taki jak uciekanie si� do ptak�w, uczenie ryb i pasterstwo dla ssak�w. Reynolds obserwowa� flockowe zachowanie kos�w i zastanawia� si�, czy mo�liwe jest przyci�gni�cie wirtualnych stwor�w w ten sam spos�b w symulacji komputerowej w czasie rzeczywistym. Jego hipoteza by�a taka, �e istnia�y proste regu�y odpowiedzialne za to zachowanie. Model, kt�ry opracowa�, wykorzystuje wirtualne agenty zwane boids, kt�re maj� ograniczon� form� przyk�adu wykonania podobn� do tej stosowanej przez agent�w w modelu Vision Cone. Zachowanie boid�w jest podzielone na trzy warstwy - wyb�r akcji, sterowanie i lokomocja - jak pokazano na rysunku.

Wyb�r Akcji : Strategia, wyznaczanie cel�w, planowanie

Sterowanie : Okre�lenie �cie�ki

Lokomocja : Ruch, animacja, artykulacja

Najwy�sza warstwa dotyczy selekcji dzia�a�, kt�ra kontroluje zachowania, takie jak strategia, ustalanie cel�w i planowanie. Te sk�adaj� si� z zachowa� steruj�cych na kolejnym poziomie, kt�re dotycz� bardziej podstawowych zada� wyznaczania �cie�ki, takich jak pod��anie �cie�k�, poszukiwanie i ucieczka. Te z kolei sk�adaj� si� z zachowa� lokomocyjnych zwi�zanych z ruchem, animacj� i artykulacj� wirtualnych stworze�. Aby opisa� sw�j model, Reynolds u�ywa analogii kowboj�w, kt�rzy opiekuj� si� stadem byd�a, gdy krowa odlatuje od stada. . Szef szlaku odgrywa rol� selekcji dzia�a� - m�wi kowbojowi, by sprowadzi� bezpa�skie z powrotem do stada. Kowboj odgrywa rol� sterowania, rozk�adaj�c cel na seri� pod-cel�w, kt�re odnosz� si� do indywidualnych zachowa� steruj�cych wykonywanych przez zesp� kowboj�w i koni. Kowboj steruje swoim koniem za pomoc� sygna��w steruj�cych, takich jak polecenia g�osowe i u�ycie ostr�g i stew, kt�re powoduj�, �e zesp� porusza si� szybciej lub wolniej lub skr�ca w lewo lub w prawo. Ko� wykonuje lokomocj�, kt�ra jest wynikiem z�o�onej interakcji mi�dzy wizualnymi percepcjami konia, ruchami jego mi�ni i staw�w oraz poczuciem r�wnowagi. Nale�y zauwa�y�, �e warstwy wybrane przez Reynoldsa s� arbitralne, a bardziej kwesti� projektowania odzwierciedlaj�c� natur� problem modelowania. Sam Reynolds zwraca uwag�, �e alternatywne struktury s� mo�liwe, a ten wybrany do modelowania prostych istot flokuj�cych nie by�by odpowiedni dla innego problemu, takiego jak projektowanie agenta konwersacyjnego lub chatbota. Tak jak w przypadku prawdziwych stworze�, to, co te boidy widz� w dowolnym jednym punkcie w czasie jest wyznaczany przez kierunek, w kt�rym s� skierowane i zakres ich widzenia peryferyjnego, jak okre�lono przez sto�ek o okre�lonym k�cie i odleg�o�ci. K�t sto�ka okre�la, jak du�y jest "�lepy" punkt - to znaczy cz��, kt�ra znajduje si� poza ich zasi�giem widzenia bezpo�rednio za ich g�ow� przeciwn� do kierunku, w kt�rym si� znajduj�. Je�li k�t sto�ka wynosi 360 �, wtedy b�d� mogli zobaczy� wszystko dooko�a; je�li jest mniejsza, to wielko�� martwego punktu jest r�nic� mi�dzy k�tem sto�ka a 360 �. Algorytm mo�e by� �atwo zaimplementowany w NetLogo za pomoc� polecenia in-cone, jak w przypadku modelu Vision Cone. Rysunek jest zrzutem ekranu boidu zaimplementowanego w NetLogo

Zdj�cie przedstawia sto�ek widzenia w kolorze niebieskiego nieba o k�cie 300 � (rozmiar martwego pola wynosi 60 �). ��w jest rysowany za pomoc� kszta�tu "directional-circle" w �rodku obrazu i koloru niebieskiego, z bia�� lini� promienia skierowan� w tym samym kierunku, co aktualny kurs ��wia. Szeroko�� sto�ka zale�y od parametru d�ugo�ci przekazywanego do polecenia in-cone i rozmiaru patch dla �rodowiska. Zobaczymy teraz, jak niekt�re z tych zachowa� mo�na wdro�y� w NetLogo. Zauwa�, �e tak jak w przypadku wszystkich implementacji, istniej� r�ne sposoby tworzenia ka�dego z tych zachowa�. Na przyk�ad, obserwowali�my ju� zachowanie si� �ciany, co zosta�o przedstawione w modelu "�ciana po przyk�adzie" opisanym w poprzedniej cz�ci oraz w modelu "�ciana po przyk�adzie 2" opisanym tu. Chocia� zachowanie nie jest dok�adnie takie samo dla obu modeli, wynik jest faktycznie taki sam. Oba modele maj� �rodki, kt�re wykorzystuj� metod� sto�ka widzenia z przyk�adu wykonania z figury powy�ej, kt�ra jest w sercu modelu behawioralnego boids. Opracowano dwa modele w celu wykazania unikania przeszk�d. Niekt�re zrzuty ekranu pierwszego modelu, o nazwie Unikanie przeszk�d 1, przedstawiono na rysunku

Pokazuj� one pojedynczy boid poruszaj�cy si� po otoczeniu, pr�buj�c unikn�� bia�ych rz�d�w przeszk�d - analogi� by�aby �ma, staraj�ca si� unikn�� wpadni�cia na �ciany podczas lotu. Zakres widzenia boid�w jest pokazany przez halo w kolorze nieba otaczaj�c boid - zosta� ustawiony na d�ugo�ci 8 w modelu o k�cie 300 �. Obraz po lewej pokazuje boid tu� po naci�ni�ciu przycisku setup w interfejsie w kierunku rz�d�w przeszk�d. Po kilku kleszczach kraw�d� sto�ka wizji boida wpada na koniec �rodka p�nocno-wschodniego, wskazuj�cy przek�tn� rz�d przeszk�d (przedstawiony przez zmian� koloru przeszkody na czubku od bia�ego do czerwonego), nast�pnie obraca si� w lewo o oko�o 80 � i kieruje si� w stron� zewn�trznej przek�tnej. Jego sto�ek widzenia r�wnie� trafi w pobli�u ko�ca tej przek�tnej, a nast�pnie w ko�cu boid ponownie si� obraca i odsuwa si� od przeszk�d w kierunku p�nocno-wschodnim, jak pokazano na drugim obrazku po prawej. Kod do tego jest pokazany w kodzie NetLogo

breed [wanderers wanderer] ; name of the breed of boids
to setup
clear-all
set-default-shape wanderers "directional-circle"; ustawia kszta�ty boid
; stworzy� kolor, rozmiar i losow� lokalizacj� pojedynczego w�drowca
create-wanderers 1 [default blue ]
draw-obstacles
end
to default [colour] ; worzy domy�lne ustawienia boid
print "Got here"
set color colour ; ustawia kolor za pomoc� przekazanego parametru
setxy random-xcor random-ycor ; ustawia pocz�tkow� losow� pozycj�
set size 5 ; domy�lny rozmiar ��wia
end
to draw-obstacles
ask patches with [pxcor = 0 and pycor <= 15 or
abs pxcor = (pycor + 40) and pycor < 40 or
abs pxcor = (pycor + 15) and pycor < 6]
[ set pcolor white ]
end
to make-obstacle
if mouse-down?
[ ask patches
[ if ((abs (pxcor - mouse-xcor)) < 1) and
((abs (pycor - mouse-ycor)) < 1)
[ set pcolor white ]
]
]
end
to go
ask wanderers ; nstrukcje w�drowc�w
[
rt random-float rate-of-random-turn
lt (rate-of-random-turn / 2)
; losowo obraca si� w g�r� w lewo lub w prawo, zgodnie z definicj�
; zmienna losowa stopa zwrotu w interfejsie
fd boid-speed
avoid-patches
]
end
to avoid-patches
ask patches with [pcolor = sky]
[ set pcolor black ]
ask patches in-cone radius-length radius-angle
[ if pcolor = black
[ set pcolor sky ]
if pcolor = white
[ set pcolor red ]]
if count patches in-cone radius-length radius-angle with
[pcolor = white or pcolor = red] > 0
[
ask wanderer 0
[
bk boid-speed
lt 90
]
]
end

Procedura setup umieszcza boid w losowym miejscu w otoczeniu i wywo�uje procedur� draw-obstacles, aby narysowa� bia�e przeszkody w dolnej po�owie �rodowiska. Polecenie ask-wanderers w procedurze go okre�la zachowanie boid. Boid wykona obr�t w prawo i lewo o losow� liczb�, a nast�pnie przesunie do przodu o okre�lon� warto�� okre�lon� przez zmienn� boid-speed zdefiniowan� w interfejsie. Nast�pnie boid wywo�uje procedur� avoid-patches w celu unikni�cia kolizji. W tej procedurze najpierw zabarwiony na niebie halo otaczaj�cy boid zostaje skasowany poprzez ustawienie kolorowych plam na niebie na czarny. Nast�pnie halo wzroku jest przerysowywane wok� boidu w oparciu o jego bie��ce po�o�enie - szybkie wymazanie, a nast�pnie przerysowanie powoduje, �e boid migocze jak motyl szybko macha skrzyd�ami. Boid nast�pnie wykonuje unikanie kolizji, cofaj�c dystans r�wny boid-speeed i wykonuje skr�t w lewo. Ostatnia cz�� procedury powoduje, �e �atki, kt�re zosta�y zderzone z kolorem czerwonym. Model Unikania Przeszk�d 2 ilustruje unikanie przeszk�d w tym samym �rodowisku, co model przewidywany z biblioteki modeli. Zrzut ekranu modelu pokazano na rysunku

W�yk mo�na zobaczy� w �rodkowym lewym rogu otoczenia. �cie�ka, kt�r� podj�� boid, jest wykre�lona na czerwono. To wyra�nie pokazuje, �e boid uda�o si� unikn�� kolizji ze �cianami i przeszkodami. D�ugo�� sto�ka widzenia boida ustawiono na 1, a k�t 300 �. Kod jest podobny do modelu Unikania Przeszk�d 1. Model "Pod��aj za i unikaj" wdra�a poszukiwania i ucieka przed zachowaniami. Trzy zrzuty ekranu tego modelu pokazano na rysunku

Lewy obraz pokazuje, kiedy jeden �rodek w�drowiec jest w kolorze czerwonym, a 100 os�b na�ladowc�w ma kolor zielony. Pokazuje wi�kszo�� agent�w skierowanych w stron� agenta w�drownego. Podczas symulacji agenci na�ladowcy aktywnie �cigaj� agenta w�drownego, gdy w�druje on wok�. �rodkowy obraz pokazuje 100 �rodk�w zapobiegaj�cych powstawaniu koloru, kt�re zabarwiaj� si� na ��to, pr�buj�c unikn�� rodka w�drownego. W tym przypadku wi�kszo�� czynnik�w unikaj�cych jest odsuni�ta od �rodka w�drownego i aktywnie odsunie si� od niego podczas symulacji. Odpowiedni obraz pokazuje sytuacj�, w kt�rej 50 agent�w obserwuj�cych i 50 agent�w unikowych znajduje si� w �rodowisku wraz z agentem w�drownym. Obraz pokazuje wi�kszo�� agent�w obserwuj�cych na zielono, wskazuj�c na w�drowca, a wi�kszo�� rodk�w zapobiegawczych na ��to wskazuje z niego. Na pocz�tku wszyscy agenci s� losowo rozmieszczeni w ca�ym �rodowisku, ale po przeprowadzeniu symulacji dla kr�tkiej liczby kleszczy, zwykle pojawia si�, �e zar�wno zwolennicy, jak i czynniki unikaj�ce zaczn� zbija� si� razem, jak pokazano na obrazku. Kod modelu jest pokazany w kodzie NetLogo

breed [wanderers wanderer] ; wanders around
breed [followers follower] ;pr�buje pod��a� za w�drowcem
breed [avoiders avoider] ; pr�buje unikn�� w�drowca
to setup
clear-all
; ustawi� kszta�ty dla ras
set-default-shape wanderers "directional-circle"
set-default-shape followers "directional-circle"
set-default-shape avoiders "directional-circle"
; stw�rz w�drowca, wyznawc� i unikaj�cego w losowych miejscach
create-wanderers 1 [ default red ]
create-followers number-of-followers [ default green ]
create-avoiders number-of-avoiders [ default yellow ]
end
to-report number-of-agents
; u�ywane, aby pokaza�, �e liczba ��wi jest sta�a, nawet gdy
; wszyscy obserwuj�cy zbijaj� si� jedna na drugiej
report count turtles
end
to default [colour] ; creates default settings for boid
set color colour ; sets colour using passed parameter
setxy random-xcor random-ycor ; sets an initial random position
set size 3 ; default turtle size
end
to go
ask wanderers ; instrukcje w�drowca
[
lt random 30 ; losowo skr�� w lewo
rt 15
fd boid-speed ; zmienna pr�dko�� zdefiniowana przez u�ytkownika
]
ask followers ;instrukcje obserwuj�cego
[
fd boid-speed / speed-scale ; porusza si� do przodu ze zdefiniowan� przez u�ytkownika pr�dko�ci�
; obserwuj�cy szuka w�drowca w promieniu
if any? wanderers in-radius radius-detection
[ set heading (towards wanderer 0) - random boid-random-heading
+ random boid-random-heading
; dostosowuje kurs do punktu w�drowca]
]
ask avoiders ; avoiders' instructions
[
fd boid-speed / speed-scale ; moves forward at user defined speed
; unikaj poszukiwa� w�drowca w jego promieniu
if any? wanderers in-radius radius-detection
[ set heading (towards wanderer 0) + 180 - random boid-random-heading
+ random boid-random-heading ]
; dostosowuje kurs, aby wskazywa� z dala od w�drowca
]
end

Zachowanie trzech typ�w agent�w okre�laj� procedury wanderers, followers i avoiders. Pierwszy okre�la zachowanie agenta w�drownego, aby b��ka� si� w spos�b p�losowy. Drugi definiuje zachowanie dla agenta obserwuj�cego, kt�ry polega na tym, �e agent najpierw przesuwa si� do przodu o okre�lon� przez u�ytkownika liczb� zgodnie ze zmiennymi boid-speed i speed -scale. Nast�pnie u�ywa reportera in-radius NetLogo, aby wykry�, czy w�drowiec jest w jego okr�g�ym polu widzenia, kt�rego wielko�� jest okre�lona przez zmienn� Interface radius-detection. Je�li tak, to ruszy w jego kierunku. Zachowanie agenta unikaj�cego definiuje si� w podobny spos�b, z t� r�nic�, �e kieruje si� w przeciwnym kierunku (180 �) od w�drownego zamiast do niego. Model Flocking With Obstacles jest modyfikacj� modelu Flocking dost�pnego w bibliotece modeli NetLogo. Model biblioteki wykorzystuje standardow� metod� implementacji zachowania flokowania opracowan� przez Craiga Reynoldsa. W tym podej�ciu flokowanie wy�ania si� z zastosowania trzech podstawowych zachowa� steruj�cych. S� to: separacja, gdzie boid pr�buje unikn�� zbytniego zbli�ania si� do innych boid�w; wyr�wnanie, gdzie boid pr�buje porusza� si� w tym samym kierunku, co pobliskie boidy; i sp�jno�ci, gdzie boid pr�buje przej�� w kierunku innych boid�w, chyba �e s� zbyt blisko. Dzi�ki zmodyfikowanemu modelowi u�ytkownik ma dodatkow� opcj� dodawania r�nych obiekt�w do otoczenia, takich jak rafa koralowa, trawa morska i rekin. Ma to na celu symulacj� tego, co dzieje si�, gdy stado napotka jeden lub wi�cej obiekt�w i lepiej symuluje �rodowisko dla szko�y ryb. Niekt�re zrzuty ekranu zmodyfikowanego modelu s� pokazane na rysunku

G�rny lewy obraz pokazuje model na pocz�tku po naci�ni�ciu przycisku konfiguracji w interfejsie. �rodkowy g�rny obrazek pokazuje model po jego uruchomieniu na kr�tk� chwil� i powsta�a szko�a agent�w ��wi. Prawy g�rny obrazek pokazuje model z �atami kolizji dodanymi w �rodku w kszta�cie rekina za�adowanego natychmiast po wykonaniu poprzedniego zdj�cia. Te plastry powoduj� oderwanie si� agent�w ��wia, gdy zderzaj� si� z nimi. Lewy dolny obraz pokazuje obraz t�a na�o�ony na ten sam obraz. �rodkowe dolne zdj�cie pokazuje szko�� zbli�aj�c� si� do obiektu z innego kierunku. Obraz w prawym dolnym rogu pokazuje scen� nied�ugo po tym, jak szko�a podzieli�a si� na dwie podkategorie po kolizji i odchodz� od obiektu. �atki zderzeniowe dzia�aj� zgodnie z modelem, kt�ry zak�ada, �e nale�y unika� jakiejkolwiek �aty, kt�ra nie jest czarna; to znaczy, �e wszystkie kolory, z wyj�tkiem czarnego, zmuszaj� boidy do obr�cenia si� o 180 �, aby unikn�� kolizji. Inn� zmian� w modelu jest to, �e pr�dko�� przeno�nych boid�w mo�e by� teraz kontrolowana z interfejsu, aby umo�liwi� wi�ksze testowanie poszczeg�lnych ruch�w, a tak�e zapewnia mo�liwo�� analizowania reakcji boid�w. Kod odpowiednich cz�ci zmodyfikowanego modelu, kt�re definiuj� zachowanie agent�w, znajduje si� w kodzie NetLogo

turtles-own [
flockmates ;; zestaw agent�w pobliskich ��wi
nearest-neighbor ;; najbli�szy jeden z naszych stad
]
to setup
clear-all
crt population
[ set color blue - 2 + random 7
set size 1.5
setxy random-xcor random-ycor ]
end
to go
ask turtles [ flock ]
repeat 5 [ ask turtles [ fd set-speed / 200 ] display ]
tick
end
to flock
find-flockmates
if any? flockmates
[ find-nearest-neighbor
ifelse distance nearest-neighbor < minimum-separation
[ separate ]
[ align
cohere ] ]
avoid-obstacles
end
to avoid-obstacles
; unikaj w pobli�u wszystkiego, co nie jest czarne
if (any? patches in-cone 2 300 with [pcolor != black])
[ rt 180 ] ; skieruj si� w przeciwnym kierunku
end
to find-flockmates
set flockmates other turtles in-radius vision
end
to find-nearest-neighbor
set nearest-neighbor min-one-of flockmates [distance myself]
end
to separate
turn-away ([heading] of nearest-neighbor) max-separate-turn
end
to align
turn-towards average-flockmate-heading max-align-turn
end
to-report average-flockmate-heading
report atan sum [sin heading] of flockmates
sum [cos heading] of flockmates
end
to cohere
turn-towards average-heading-towards-flockmates max-cohere-turn
end
to-report average-heading-towards-flockmates
report atan mean [sin (towards myself + 180)] of flockmates
mean [cos (towards myself + 180)] of flockmates
end
to turn-towards [new-heading max-turn]
turn-at-most (subtract-headings new-heading heading) max-turn
end
to turn-away [new-heading max-turn]
turn-at-most (subtract-headings heading new-heading) max-turn
end
to turn-at-most [turn max-turn]
ifelse abs turn > max-turn
[ ifelse turn > 0
[ rt max-turn ]
[ lt max-turn ] ]
[ rt turn ]
end

Procedura setup tworzy losow� populacj� �rodk�w ��wia. Polecenie ask w procedurze go okre�la zachowanie agent�w - po prostu wywo�uje procedur� flock. W tym miejscu agent najpierw sprawdza, czy w jego polu widzenia znajduj� si� inne czynniki, a nast�pnie, je�li istniej�, szuka najbli�szego s�siada, a nast�pnie stosuje kierowanie separacj� okre�lone w procedurze, separate je�li jest zbyt blisko . W przeciwnym razie stosuje si� zachowanie kierowania wyr�wnaniem, jak okre�lono w procedurze dopasowywania, po kt�rej nast�puje kierowanie kohezj� zgodnie z definicj� procedury cohere. Te trzy procedury korzystaj� z procedur turn-away lub turn-towards, kt�re powoduj�, �e boid si� odwraca lub w kierunku konkretnej pozycji odniesienia, bior�c pod uwag� aktualn� pozycj� boid's. Nag��wkiem odniesienia dla zachowania kierowania separacj� jest nag��wek najbli�szego s�siada boida, dla zachowanie kierowania wyr�wnaniem to �rednia pozycja wi�za� stada boid�w, a dla zachowania sterowno�ci kohezji jest to �redni kurs w kierunku w�z��w stada boid�w. W symulacji mo�na zaobserwowa� wiele pojawiaj�cych si� zjawisk. Stado szybko formuje si� na pocz�tku, gdy nie ma �adnych przeszk�d. Zauwa�alny efekt wirowania mo�na r�wnie� zaobserwowa� dla boid�w w stadzie, je�li pocz�tkowe parametry interfejsu s� ustawione jako minimum-separation = 1,25 �aty, max-align-turn = 15,00 stopni, max-cohere-turn = 15,00 stopni i max-separate-turn = 4,00 stopni. Kiedy szko�a napotyka przeszkod�, zmienia kierunek jako grupa z indywidualnymi boidami, kt�re bardzo szybko przejmuj� stado, je�li si� rozdziel�. Kiedy wystarczaj�ca ilo�� boid�w zmieni�a kurs, reszta szko�y pod��a za ni� bez �adnego kolizji z przeszkod�. Czasami szko�a dzieli si� na dwie odr�bne szko�y kieruj�c si� w r�nych kierunkach, jak pokazano w prawym dolnym obrazie na rysunku powy�ej .Model �ledzenia �cie�ki t�umu implementuje zachowanie boid�w w t�umie pod��aj�cym �cie�k�. Zachowanie boid�w w modelu mo�e mie� dwie odmiany - podstawowe zachowanie po �cie�ce t�umu i jedno z unikaniem kolizji (jest to ustawione za pomoc� suwaka behaviour w interfejsie).

zawiera dwa zrzuty ekranu modelu dla dw�ch r�nych zachowa�. Lewy obraz pokazuje "t�um" boid�w zmierzaj�cych w d� w przybli�eniu w tym samym kierunku od lewej do prawej. Nast�pi�o to po kr�tkiej chwili symulacji. Zauwa�, �e niekt�re z agent�w s� bardzo blisko siebie - dzieje si� tak, poniewa� nie ma unikania kolizji, w przeciwie�stwie do drugiego pokazanego zachowania po prawej. Chocia� podstawowy kod dla tych zachowa� jest podobny (dla kodu, odno�nik do odno�nika znajduj�cy si� w dolnej cz�ci tego rozdzia�u) jest oparty na u�yciu polecenia in-cone, tak jak w przypadku innych implementacji agent�w boid, co jest widoczne, zachowanie wynikaj�ce z unikania przeszk�d jest zauwa�alnie r�ne. Na przyk�ad, wi�cej podgrup agent�w pr�buje teraz i�� wbrew przep�ywowi, jak pokazano na prawym obrazie Wierne wdro�enie bojler�w Reynoldsa powinno uwzgl�dnia� pewn� form� si�y steruj�cej zaimplementowanej za pomoc� aproksymacji masy punktowej, gdzie ka�dy boid ma mas� i dzia�a w stosunku do si�. Jednak te wdro�enia NetLogo pokaza�y, �e przybli�enie podej�cia Reynoldsa mo�na osi�gn�� stosunkowo �atwo, aw wielu przypadkach wynikowe zachowanie boid�w jest zgodne z oczekiwaniami.

Podsumowanie

Sztuczna inteligencja oparta na zachowaniu (BBAI) przyjmuje behawioralne podej�cie do budowania inteligentnych system�w. To podej�cie rozk�ada inteligencj� na odr�bne niezale�ne p�-autonomiczne modu�y, kt�re opisuj� r�ne zachowania. Zachowanie agenta to seria dzia�a� wykonywanych podczas interakcji ze �rodowiskiem. Okre�lona kolejno�� lub spos�b przeprowadzania ruch�w i og�lny wynik, kt�ry pojawia si� w wyniku dzia�a�, okre�laj� szczeg�lny rodzaj zachowania. R�ne perspektywy prowadz� do r�nych wyja�nie� i r�nych sposob�w, w jakie rzeczy s� tworzone. Ramy odniesienia dotycz� trudno�ci w zrozumieniu zachowania r�nych gatunk�w. Punkty widzenia r�ni� si� nie tylko dla ka�dego agenta, lecz tak�e d�wi�k, odczucie, zapach i smak, z powodu odmiennej postaci wykonania czynnika obserwuj�cego w por�wnaniu z obserwowanym czynnikiem. (Na przyk�ad spr�buj wyobrazi� sobie bycie mr�wk�.) Wa�ne jest, aby nie przypisywa� b��dnych wyja�nie� z obserwacji mechanizmom stoj�cym za zachowaniem uciele�nionego czynnika znajduj�cego si� w otoczeniu, a szczeg�lnie wa�ne, aby unikn�� przypisywania skomplikowanych mechanizm�w (np. "inteligencji") do zachowania obserwowanego agenta, gdy ma on inn� ram� odniesienia, tj. inny przyk�ad wykonania. Podsumowanie wa�nych poj��, kt�re nale�y wyci�gn�� z tego rozdzia�u, znajduje si� poni�ej:

o Proste zasady mog� le�e� u podstaw z�o�onych system�w.

o Proste reakcje reaktywne mog� by� przyczyn� z�o�onych zjawisk.

o Zachowanie adaptacyjne to zachowanie, w kt�rym agent zmieni� swoje zachowanie w odpowiedzi na zmian� �rodowiska.

o Zmieniaj�ce si� zachowanie to zachowanie, kt�re powsta�o w wyniku ewolucji genetycznej (to znaczy wymaga wi�cej ni� jednego pokolenia, w kt�rym cechy genetyczne s� przekazywane potomstwu).

o Zachowanie wschodz�ce to pewna w�a�ciwo��, kt�ra wy�ania si� z interakcji agent-agent lub interakcji mi�dzy agentem a �rodowiskiem, kt�re nie mog�y powsta� bez tych interakcji i nie jest wynikiem prostej liniowej kombinacji tych interakcji.

o Zachowanie samoorganizuj�ce si� w systemie z wieloma agentami wyst�puje, gdy agenci stosuj�cy regu�y lokalne tworz� pewien wzorzec lub struktur� jako wschodz�ca w�a�ciwo��.

o Stygmatyka wyst�puje wtedy, gdy agenci wykorzystuj� �rodowisko do komunikowania si� i interakcji. Na przyk�ad u�ywaj� mr�wki i pszczo�y �rodowiska, aby powiedzie� sobie, gdzie znale�� r�d�a �ywno�ci. Ludzie u�ywaj� go do budowania z�o�onych system�w informacyjnych i dzielenia si� wiedz�, gdzie znale�� r�d�a informacji.

o Inteligencja roju jest zbiorem agent�w, kt�re wykorzystuj� stigmergiczn� lokaln� wiedz� do samoorganizacji i koordynacji ich zachowania.

Komunikacja

Bior�c pod uwag� histori� ludzko�ci, spo�eczno�� j�zykowa jest bardzo naturaln� jednostk�. J�zyki, ze wzgl�du na sw�j charakter jako �rodek komunikacji, dziel� ludzko�� na grupy; tylko przez wsp�lny j�zyk mo�e grupa ludzi dzia�a� wsp�lnie, a zatem maj� wsp�ln� histori�. Ponadto j�zyk, kt�rym pos�uguje si� grupa, jest w�a�nie medium, w kt�rym mo�na dzieli� wspomnienia z ich wsp�lnej historii. j�zyki umo�liwiaj� zar�wno �ycie wsp�lnej historii, jak i jej opowiadanie. - Nicholas Ostler, Nowa metoda szacowania entropii wykorzystuje fakt, �e ka�dy, kto m�wi j�zykiem, posiada, nieodwo�alnie, ogromn� znajomo�� statystyk tego j�zyka. Znajomo�� s��w, idiom�w, stereotyp�w i gramatyki pozwala mu uzupe�ni� brakuj�ce lub niepoprawne litery w korekcie lub zako�czy� niedoko�czone wyra�enie w rozmowie. - C.E. Shannon

Komunikacja, informacja i j�zyk

Komunikacja mo�e by� zdefiniowana jako proces wymiany informacji mi�dzy agentami. Agent wykazuje zachowanie komunikacyjne, gdy pr�buje przekaza� informacje innemu agentowi. Agent lub agenci wysy�aj� wiadomo�� za po�rednictwem medium do agenta lub agent�w odbiorcy. Termin komunikacja w powszechnym u�yciu w j�zyku angielskim mo�e r�wnie� odnosi� si� do interakcji mi�dzy lud�mi, kt�re obejmuj� dzielenie si� informacjami, pomys�ami i uczuciami. Komunikacja nie jest jednak wyj�tkowa dla ludzi, poniewa� zwierz�ta, a nawet ro�liny, r�wnie� maj� zdolno�� komunikowania si� ze sob�. J�zyk mo�na zdefiniowa� jako zestaw symboli, z kt�rymi agenci komunikuj� si� w celu przekazywania informacji. W Sztucznej Inteligencji j�zyk ludzki jest cz�sto nazywany "j�zykiem naturalnym" w celu odr�nienia go od j�zyk�w programowania komputerowego. Komunikacja za pomoc� j�zyka jest cz�sto uwa�ana za unikaln� cech� behawioraln� cz�owieka. J�zyk ludzki, taki jak m�wiony, pisany lub znak, odr�nia si� od zwierz�cych system�w komunikacyjnych tym, �e jest uczony, a nie dziedziczony biologicznie. Chocia� r�ne zwierz�ta wykazuj� zdolno�� komunikowania si�, a niekt�re zwierz�ta, takie jak orangutany i szympansy, maj� nawet zdolno�� pos�ugiwania si� pewnymi cechami ludzkiego j�zyka, to stopie� zaawansowania i z�o�ono�ci w ludzkim j�zyku odr�nia go od system�w komunikacji zwierz�cej. J�zyk ludzki opiera si� na wyj�tkowej zdolno�ci ludzi do abstrakcyjnego my�lenia za pomoc� symboli do reprezentowania koncepcji i pomys��w. J�zyk definiowany jest przez zestaw regu� wsp�lnie okre�laj�cych powszechnie akceptowane symbole, ich znaczenie oraz ich zwi�zki strukturalne okre�lone przez zasady gramatyki. Regu�y te opisuj� spos�b manipulowania symbolami w celu utworzenia potencjalnie niesko�czonej liczby gramatycznie poprawnych sekwencji symboli. Wybrane symbole s� arbitralne i mog� by� zwi�zane z dowolnym konkretnym fonemem, grafemem lub znakiem. Lingwistyka jest naukowym badaniem j�zyka, kt�re mo�na podzieli� na odr�bne obszary nauki: gramatyka jest nauk� o strukturze j�zyka; morfologia jest nauk� o tym, jak s�owa s� formowane i ��czone; fonologia to nauka o systemach d�wi�k�w; Sk�adnia dotyczy regu� rz�dz�cych tym, jak s�owa ��cz� frazy i zdania; semantyka to badanie znaczenia; i pragmatyka dotyczy nauki j�zyka i u�ytkowania oraz kontekst�w, w kt�rych jest u�ywany.

R�norodno�� ludzkiego j�zyka

We wszystkich j�zykach naturalnych istnieje du�a r�norodno�� zastosowa�, a tak�e cz�sto brak porozumienia mi�dzy u�ytkownikami j�zyka. Na przyk�ad tabela zawiera przyk�ady dopuszczalnych zda� "angielskich" z r�nych region�w �wiata. Ka�de z tych zda� jest uwa�ane za "normalny" angielski dla regionu pokazanego po prawej stronie, a jednak wi�kszo�� ludzi spoza tych region�w argumentowa�aby inaczej, a wiele spraw ma trudno�ci w zrozumieniu ich znaczenia.

Let's buy some food home! : Singapur
Don't smoke without causing an explosion! : Po�udniowa Walia
AIDS is very popular in Africa. : Hong Kong
My hair needs washed. : Szkocja, P�nocna Irlandia, cz�� USA
Whenever my baby was born I was 26. : P�nocna Irlandia
Her outlook is very beautiful. : Hong Kong
John smokes a lot anymore. : �rodkowy Zach�d USA
I am difficult to study. : Hong Kong
I might could do it. : Szkocja, P�nocna Anglia, Indie, cz�� USA
My name is spelt with four alphabets. : Singapur
You must beware of your handbag! : Hong Kong
We'll be there nine while ten. : Lancashire, Yorkshire
He loves his car than his girlfriend. : Indie, cz�� Afryki
Come here till I punch you! Irlandia, Liverpool, Cumbria, cz�� Szkocji
I'm after losing my ticket. Irlandia
My brother helps me with my studies and so do my car. : Hong Kong
I been know your name. : USA (Black)
I use to live there now. : Singapure
My grandfather died for a long time. : Hong Kong
I am having a nice car. : Indie, Singapur
I'll give it him. P�nocna Anglia(standard)
Robots can do people not like jobs. : Hong Kong (niski poziom zaawansowania)

Odno�nie j�zyka angielskiego David Crystal (1988) stwierdza: "J�zyk angielski rozci�ga si� na ca�y �wiat: od Australii po Zimbabwe, ponad 300 milion�w ludzi m�wi o nim jako o swoim ojczystym j�zyku ... A jednak, pomimo jego zadziwiaj�co szerokiego zastosowania jako medium komunikacja, ka�dy zaw�d i ka�da prowincja - a nawet ka�da osoba - u�ywa nieco innego wariantu. " Angielski ma wiele r�nych regionalnych dialekt�w (takich jak ameryka�ski, brytyjski, australijski i nowozelandzki angielski), a tak�e wiele sub-dialekt�w w tych regionach. Istniej� r�wnie� dialekty, kt�re przecinaj� linie regionalne, na przyk�ad "Public School English" w Wielkiej Brytanii, Black English in America i Maori English in New Zealand. A w ka�dym kraju istniej� niezliczone wariacje spo�eczne, kt�re posiadaj� w�asn� osza�amiaj�c� r�norodno�� kant�w, �argon�w i lingoli" . Jednym z bardziej kolorowych przyk�ad�w jest s�ownik slangu Wall Street zatytu�owany "Wysokie stepowniki, upad�e anio�y i lizaki". Obrazuje, jak taki j�zyk mo�e sta� si� prawie niezrozumia�y dla niewtajemniczonych. (Na przyk�ad, czym jest "wysoki stepper" lub "upad�y anio�"?) . Hudson pisze o j�zyku nastoletniej rewolucji, o urazie starszych ludzi do j�zyka u�ywanego przez wsp�czesne nastolatki: … mo�e nie lubi� tego, �e nastolatkowie m�wi� innym j�zykiem, u�ywaj�c znacznej liczby wyra�e�, kt�re sami uwa�aj� za niepoj�te lub odra�aj�ce". Opr�cz r�norodno�ci j�zykowej istnieje wiele r�nych sposob�w wyra�ania i u�ywania tego j�zyka. J�zyk ten r�ni si� znacznie od j�zyka pisanego, co ilustruje poni�szy przyk�ad zaczerpni�ty z Crystala: "To cz�� wyk�adu i wybra�em go, poniewa� pokazuje, �e nawet profesjonalny m�wca u�ywa struktury, kt�ra rzadko by wyst�powa�a w j�zyku angielskim i wykazuje roz��czno�� przem�wienia, kt�rego w og�le by tam brakowa�o. (Codzienna rozmowa zapewnia jeszcze bardziej uderzaj�ce r�nice.) Kropka (.) Wskazuje kr�tk� pauz�, kreska d�u�sz� pauz�, a erm jest pr�b� przedstawienia odg�os�w, kt�re wyg�osi� g�o�nik, gdy g�o�no si� waha�. ... - i chc� . bardzo arbitralnie, je�li mog� podzieli� to na trzy pozycje - i zapyta� .erm. trzy pytania. ocena dlaczego - ocena co - i ocena jak. wi�c to jest naprawd�. oznacza, �e chc� o tym m�wi�. przede wszystkim w celach oceny - dlaczego w og�le oceniamy - po drugie rodzaj funkcji i proces�w, kt�re s� oceniane - i po trzecie chc� m�wi� o technikach ... " Baugh przypomina nam, �e j�zyk to nie tylko "wydrukowana strona" stosunkowo jednolita i sta�a, jak wielu ludzi uwa�a, �e tak jest. J�zyk to "przede wszystkim mowa", a pisanie "tylko konwencjonalne" urz�dzenie do przekodowywania d�wi�k�w. "Dalej stwierdza, �e powtarzaj�ce si� ruchy mi�ni, kt�re generuj� mow�, podlegaj� stopniowej zmianie g�o�nika: "Ka�da osoba nieustannie i zupe�nie nie�wiadomie wprowadza niewielkie zmiany w swojej mowie. Nie ma czego� takiego jak jednolito�� w j�zyku. Nie tylko mowa jednej spo�eczno�ci r�ni si� od mowy innej, ale mowa r�nych os�b z jednej wsp�lnoty, ka�dego z cz�onk�w tej samej rodziny, charakteryzuje si� indywidualnymi cechami osobowo�ci. " Niekt�re inne wyr�niaj�ce si� formy j�zyka to na przyk�ad poezja, dokumenty prawne, reporta�e prasowe, reklama, pisanie list�w, korespondencja biurowa, telegramy, rozmowy telefoniczne, poczta elektroniczna, artyku�y z Usenetu, artyku�y naukowe i przem�wienia polityczne. Ka�dy ma sw�j w�asny smak, dziwactwa i styl. I w ka�dej formie s� indywidualni autorzy, kt�rzy maj� sw�j w�asny styl j�zyka. Sztuka Szekspira i powie�ci science-fiction H. G. Wellsa to dwa przyk�ady bardzo wyra�nych styl�w literackich. W rzeczywisto�ci ka�da osoba ma w�asny styl j�zyka lub idiolekt z w�asn� unikatow� charakterystyk�, kt�r� mog� �atwo rozpozna� inni ludzie. Podobnie jak standardowe dialekty, istnieje wiele niestandardowych w u�yciu. Fromkin twierdzi, �e "chocia� ka�dy j�zyk jest po��czeniem dialekt�w, wiele os�b m�wi i my�li o j�zyku tak, jakby by�" dobrze zdefiniowanym "sta�ym systemem z r�nymi dialektami odbiegaj�cymi od tej normy". Twierdz� oni, �e te niestandardowe dialekty s� cz�sto uwa�ane za "niedoskona�e, nielogiczne i niekompletne" w por�wnaniu ze standardowymi dialektami. Pos�uguj� si� przyk�adem wybitnego autora na temat j�zyka, Mario Pei, kt�ry kiedy� oskar�y� redaktor�w Trzeciego Nowego Mi�dzynarodowego s�ownika Webstera o myl�ce do stopnia zatarcia starszego rozr�nienia mi�dzy standardowym, niestandardowym, kolokwialny, wulgarny i slang ". , w lingwistyce, stwierdza, �e " wiedza wielu ludzi na temat normalnego j�zyka jest bardzo chwiejna; a ich zdolno�� do opisywania tego, co wiedz�, jest jeszcze gorsza. " Do�� cz�sto nawet eksperci spieraj� si� o lepsze aspekty u�ywania j�zyka. Istnieje wiele s�ownik�w obja�niaj�cych powszechne u�ycie lub mniej powszechne u�ycie, takie jak �argon, slang, klisze, idiomy i figury mowy, na przyk�ad Up the boohai shooting pukekas: s�ownik slangu Kiwi. Znalezienie porz�dku w ca�ym tym chaosie by�o celem wielu ludzi odk�d Samuel Johnson skompilowa� sw�j s�ownik j�zyka angielskiego w 1755 roku, a pierwsze pr�by zosta�y wykonane, aby nied�ugo p�niej skompilowa� gramatyk� dla j�zyka angielskiego.

Komunikacja za po�rednictwem spo�eczno�ci agent�w

Komunikacja jest z definicji prowadzona mi�dzy dwoma lub wi�cej agentami. Wa�nym aspektem ludzkiej komunikacji jest to, �e jest ona prowadzona mi�dzy spo�eczno�ciami i grupami agent�w. W przypadku agent�w ludzkich rodzaj komunikacji za po�rednictwem j�zyka ludzkiego, kt�ry jest uznawany za w�a�ciwy w ka�dej spo�eczno�ci, cz�sto mo�e by� wykorzystany do identyfikacji i odr�nienia tej spo�eczno�ci lub grupy. Przejawia si� to w r�nych j�zykach, dialektach, sub-dialektach i socjolektach (j�zyk u�ywany w danej grupie spo�ecznej), kt�re r�ni� si� s�ownictwem, gramatyk� i wymow�, cz�sto przy u�yciu odmian s�ownika, takich jak �argon i slang. .Sie� spo�eczna w�r�d spo�eczno�ci agent�w jest wa�nym aspektem ludzkiego j�zyka. Sie� spo�eczno�ciowa to struktura spo�eczna z�o�ona z agent�w powi�zanych ze sob� wsp�ln� cech�. Sie� spo�eczno�ciowa mo�e by� reprezentowana przez wykres, w kt�rym w�z�y reprezentuj� agent�w, a ��cza mi�dzy w�z�ami definiuj� relacje mi�dzy agentami. Termin sieci spo�eczno�ciowe sta� si� znacznie powszechniejszy w powszechnym u�yciu w j�zyku angielskim z powodu niedawnego pojawienia si� serwis�w spo�eczno�ciowych takich jak Facebook, Myspace i Twitter. J�zyk jest definiowany przez cz�onk�w sieci spo�eczno�ciowej obejmuj�cej spo�eczno�� j�zykow�. W obr�bie tej spo�eczno�ci mog� istnie� podsieci dla ka�dego z dialekt�w, sub-dialekt�w i socjolekt�w. J�zyki "�yj�ce" w przeciwie�stwie do "martwych" j�zyk�w, takich jak �acina, r�wnie� s� dynamiczne, a nowe s�owa i wyra�enia s� stale tworzone w celu opisania nowych koncepcji i pomys��w, a te nowe s�owa i wyra�enia s� rozpowszechniane za po�rednictwem ��czy w sieciach spo�eczno�ciowych. Model zmiany j�zyka dost�pny w bibliotece modeli w NetLogo pokazuje, w jaki spos�b struktura sieci spo�eczno�ciowej w po��czeniu z odmianami u�ytkownik�w j�zyka mo�e wp�yn�� na zmian� j�zyka. W tym modelu w�z�y w sieci reprezentuj� u�ytkownik�w j�zyka i istniej� dwa warianty j�zyka generowane przez dwie r�ne gramatyki (0 i 1) w konkurencji w sieci. U�ytkownicy j�zyka kontaktuj� si� ze sob� w ka�dej iteracji symulacji, m�wi�c najpierw gramatyk� 0 lub 1 do s�siad�w, z kt�rymi s� po��czeni w sieci spo�eczno�ciowej. Podczas kolejnego s�uchania .Nast�pnie dostosowuj� swoj� gramatyk� w oparciu o to, co zosta�o odebrane podczas fazy m�wienia. Zrzut ekranu przedstawiaj�cy przyk�adowe dane wyj�ciowe wytworzone przez model przedstawiono na rysunku

Dane wyj�ciowe zosta�y wygenerowane przy u�yciu domy�lnych ustawie� i algorytmu aktualizacji nagrody. Bia�e w�z�y na rysunku reprezentuj� u�ytkownik�w j�zyka, kt�rzy uzyskuj� dost�p do gramatyki, czarne w�z�y maj� dost�p do gramatyki 0. Czerwone zacienione w�z�y reprezentuj� u�ytkownik�w j�zyka, kt�rzy maj� mo�liwo�� korzystania z obu gramatyk. Kolor reprezentuje prawdopodobie�stwo, �e uzyskaj� dost�p do gramatyki 1 lub 0, im wi�ksze prawdopodobie�stwo, tym ciemniejsze cieniowanie. Wyb�r kodu w modelu jest pokazany w kodzie NetLogo

breed [nodes node]
nodes-own [
state ; obecny stan gramatyki - [0,1]
orig-state ; zapisz, aby zresetowa� oryginalne stany
spoken-state ; przechowuje wyniki mowy agenta - 1 lub 0
]
to communicate-via [ algorithm ] ; procedura w�z�a
;; *Probabilistic Grammar* ;;
;; m�w i popro� wszystkich s�siad�w, aby s�uchali
if (algorithm = "reward") [
speak
ask link-neighbors [
listen [ spoken-state ] of myself
]
end
;;; s�uchanie wykorzystuje liniowy algorytm nagrody / kary
to listen [heard-state] ; node procedure
let gamma 0.01 ; for now gamma is the same for all nodes
;; wybierz stan gramatyki
ifelse (random-float 1.0 <= state) [
;; je�li s�ycha� gramatyk� 1
ifelse (heard-state = 1) [
set state (state + (gamma * (1 - state)))
][
set state (1 - gamma) * state
]
][
;; je�li s�ycha� gramatyk� 0
ifelse (heard-state = 0) [
set state (1 - gamma) * state
][
set state gamma + ((1 - gamma) * state)
]
]
end
to update-color
set color scale-color red state 0 1
end

U�ytkownik j�zyka jest zdefiniowany jako typ node na pocz�tku, a ka�dy w�ze� jest w�a�cicielem zmiennej state, liczby mi�dzy 0 a 1, kt�ra jest wag�, kt�ra odzwierciedla prawdopodobie�stwo uzyskania przez u�ytkownika gramatyki 0 lub 1. Procedura communicate-via listuje kod zwi�zany tylko z algorytmem aktualizacji nagrody (istniej� dwa inne algorytmy aktualizacji nieuwzgl�dnione tutaj - indywidualne i pr�g - kt�re mog� by� u�ywane do tworzenia r�nych zachowa� sieciowych). Za pomoc� algorytmu aktualizacji nagrody bie��cy agent w�z�a najpierw m�wi, a nast�pnie s�ucha wszystkich swoich s�siad�w w sieci. Algorytm wykorzystuje liniow� nagrod� /schemat wa�enia kary, jak pokazano w procedurze listen, aby ustawi� zmienn� state agenta w�z�a. W dolnej cz�ci listy kod�w uwzgl�dniono procedur� update-color, aby pokaza�, w jaki spos�b ustawiony jest kolor agenta w�z�a, w zale�no�ci od aktualnego wag gramatycznych przechowywanych w zmiennej state. Wiele przebieg�w modelu pokazuje, �e u�ytkownicy j�zyka w symulacji maj� sk�onno�� do u�ywania jednej gramatyki dominuj�cej w sieci spo�eczno�ciowej. Jednak cz�sto inna gramatyka wci�� pozostaje w kieszeniach w ca�ej sieci, co odzwierciedla tworzenie dialekt�w i podtekst�w w ludzkich sieciach spo�eczno�ciowych w prawdziwym �yciu.

Zachowanie komunikacyjne

Zachowanie komunikacyjne ma wiele postaci. Przez wi�kszo�� historii ludzka komunikacja by�a ograniczona do kilku podstawowych form, takich jak m�wienie i pisanie, ale w ci�gu ostatniego stulecia ludzkie zachowania komunikacyjne uleg�y szybkiej transformacji z powodu post�pu technologicznego umo�liwiaj�cego nowe formy komunikacji, kt�re wcze�niej nie by�y mo�liwe. na przyk�ad nadawanie, a ostatnio pisanie wiadomo�ci i blogowanie. Technologia zaciera tak�e charakter istniej�cej komunikacji - podczas gdy bezpo�rednia bezpo�rednia dostawa by�a mo�liwa w niekt�rych formach, awans umo�liwi� nam rozszerzenie o wersje takie jak op�nione dostawy jeden-do wielu - na przyk�ad radio i telewizja jest teraz transmitowany przez transmisj� strumieniow� i dlatego nie ma ju� potrzeby natychmiastowego s�uchania lub ogl�dania tych medi�w, poniewa� dost�pne s� alternatywne �rodki komunikacji, w kt�rych mo�emy poczeka� do dogodniejszego czasu. Aby zilustrowa�, w jaki spos�b zachowania komunikacyjne wp�ywaj� na spos�b rozprzestrzeniania si� j�zyka w sieci spo�eczno�ciowej, mo�emy przeprowadzi� symulacje przy u�yciu modeli NetLogo. Pierwszy model komunikacji T-T, kt�ry jest do��czony do biblioteki modeli NetLogo, stanowi prost� ilustracj� tego, jak komunikacja "szeptana" mo�e by� niezwykle skuteczna w rozpowszechnianiu wiadomo�ci w sieci. Zrzut ekranu modelu w akcji pokazano na rysunku

Model dzia�a najpierw tworz�c liczb� agent�w na losowych pozycjach w �rodowisku, z kt�rych jeden jest okre�lony jako agent, kt�ry rozpoczyna rozprzestrzenianie wiadomo�ci. Nast�pnie, podczas symulacji, agenci poruszaj� si� losowo, a ci, kt�rzy otrzymaj� wiadomo��, b�d� j� rozpowszechnia� za po�rednictwem poczty pantoflowej do wszelkich agent�w znajduj�cych si� w pobli�u. Rysunek pokazuje symulacj� na wczesnym etapie - wiadomo�� zosta�a roz�o�ona tylko niewielkiemu odsetkowi czynnik�w (te zabarwione na czerwono); w ko�cu wiadomo�� szybko rozprzestrzeni si� na wszystkich agent�w w �rodowisku. Jednak nawet na tym etapie symulacji wida� wyra�nie, jak dzia�a metoda komunikacji "szeptana" i dlaczego jest tak skuteczna. Wiadomo�� zosta�a przekazana do grup agent�w, kt�rzy s� blisko siebie. Gromady te szybko rosn� i przejmuj� ca�� sie�, podobnie jak faluj�cy efekt fal rozprzestrzeniaj�cych si� po stawie po wrzuceniu do niego kamienia. Kod modelu jest pokazany w kodzie NetLogo

turtles-own [
message? ;; prawda czy fa�sz: czy ten ��w otrzyma� ju� wiadomo��?
]
to setup
clear-all
crt 400 [
set shape "Person"
set size 2
set message? false
setxy random-xcor random-ycor
]
ask one-of turtles
[ set message? true ] ;; przeka� wiadomo�� jednemu z ��wis
ask turtles [ recolor ]
end
to go
ask turtles [ move ]
ask turtles [ communicate ]
ask turtles [ recolor ]
tick
end
;; porusza� si� losowo
to move ;; procedura ��wia
fd random 4
;; obr�� losow� kwot� mi�dzy -40 a 40 stopni,
;; utrzymuj�c �redni obr�t na poziomie 0
rt random 40
lt random 40
end
;; podstawowa procedura!
to communicate ;; procedura ��wia
if any? other turtles-here with [message?]
[ set message? true ]
end
; kolor ��wie z komunikatem czerwony, a te bez komunikatu niebieski
to recolor ;; procedura ��wia
ifelse message?
[ set color red ]
[ set color blue ]
end

Kod zosta� nieznacznie zmodyfikowany do cel�w wizualizacji z tego udost�pnianego przez bibliotek� modeli, zmniejszaj�c liczb� utworzonych agent�w i zmieniaj�c rozmiar i kszta�t agent�w. Procedura konfiguracji tworzy 400 agent�w ��wia w losowych lokalizacjach, z kt�rych jeden jest oznaczony jako maj�cy wiadomo�� na pocz�tku. Podczas procedury go ka�dy agent najpierw przemieszcza si� w przypadkowym kierunku, a nast�pnie ka�dy agent, kt�ry ma ten komunikat, przesy�a komunikat do dowolnego innego agenta, kt�ry znajduje si� w tej samej lokalizacji poprawki, a na ko�cu kolory ka�dego agenta s� resetowane, aby odzwierciedli�, czy maj� wiadomo��, czy nie.

Zjawisko ma�ego �wiata i algorytm Dijkstry

Kolejny model NetLogo, model Being Kevin Bacon, zosta� stworzony, aby dowiedzie� si�, w jaki spos�b r�ne formy komunikowania si� zachowuj� w rozpowszechnianiu informacji w sieci spo�eczno�ciowej. Zanim jednak wyt�umaczymy ten model, musimy pozna� wa�n� cech� charakterystyczn� sieci zwanych "zjawiskiem ma�ego �wiata" i zwi�zan� z nim fraz� "sze�� stopni separacji". Zjawisko ma�ego �wiata zosta�o po raz pierwszy zbadane przez Stanleya Milgrama, psychologa spo�ecznego na Uniwersytecie Yale. Przeprowadzi� eksperyment, aby pokaza�, �e jeste�my przeci�tnie tylko o sze�� "krok�w" od kogokolwiek innego na Ziemi. W eksperymencie listy zosta�y wys�ane do losowo wybranych os�b w Omaha i Wichita w USA. Ludzie ci zostali zapytani, czy znali osob� X mieszkaj�c� w Bostonie. Je�li nie, poproszono ich o przes�anie tego listu do kogo�, kogo mogliby zna� X. Wyniki eksperymentu by�y nast�puj�ce: 64 z 256 wys�anych list�w dotar�o do celu; niekt�re �a�cuchy udanych list�w mia�y tylko 1 lub 2 d�ugo�ci, podczas gdy inne mia�y ponad 10 d�ugo�ci. Co istotne, �rednia d�ugo�� cie�ki wynosi�a oko�o 5,5 do 6 - st�d pochodzi zdanie "sze�� stopni separacji". Chodzi o to, �e nawet w bardzo du�ej sieci, prosta metoda rozprzestrzeniania wiadomo�ci za pomoc� ustnej wiadomo�ci mo�e by� niezwykle skuteczna z powodu efektu marszczenia w miar� rozprzestrzeniania si� wiadomo�ci. Chocia� wiadomo�� zawarta w tym eksperymencie zosta�a spisana raczej ni� m�wiona, metoda ta mo�e nadal by� uwa�ana za analogiczn� do komunikacji ustnej w ludziach, poniewa� bezpo�redni kontakt jest nadal wymagany, aby rozpowszechnia� przes�anie, cho�by za po�rednictwem trzeciego agenta przekazuj�cego, listonosza. separacja jest u�ytecznym �rodkiem do pomiaru ��czno�ci sieci, niezale�nie od tego, czy jest to sie� spo�eczno�ciowa, czy sie� komputerowa. Wiele sieci zawiera tak zwane "super-w�z�y" - koncentratory, kt�re s� po��czone z wieloma innymi w�z�ami w sieci. Tutaj liczba po��cze�, kt�re hub ma z innymi w�z�ami, jest znacznie wi�ksza ni� �rednia liczba po��cze� na w�ze�. Te koncentratory mog� pom�c w szybko�ci rozprzestrzeniania komunikacji w sieci, poniewa� po dotarciu komunikatu do koncentratora, wiadomo�� mo�e natychmiast dotrze� do wi�kszej cz�ci sieci bez konieczno�ci przechodzenia przez kolejne w�z�y po�rednie. W dowolnej sieci mo�emy zidentyfikowa� koncentrator, a nast�pnie okre�li� stopie� oddzielenia od niego danego w�z�a - czyli liczb� w�z��w, kt�re nale�y odwiedzi� wzd�u� najkr�tszej �cie�ki od w�z�a do koncentratora. W sieci spo�eczno�ciowej mo�e to by� pomocne w okre�leniu, jak "bliska" jest jedna osoba dla s�awnej osoby - im bli�ej celebryty, tym wi�ksza odzwierciedlona chwa�a. Matematycy u�ywali w rzeczywisto�ci liczby zwanej liczb� Erd�sa, aby zmierzy� dystans wsp�pracy znanego i p�odnego w�gierskiego matematyka, Paula Erd�sa, kt�ry mia� setki wsp�pracownik�w i pracowa� w wielu dziedzinach, w tym w kombinatoryce, teorii graf�w, teorii liczb, teoria mnogo�ci i teoria prawdopodobie�stwa. Liczba Erd�sa jest obliczana rekurencyjnie w nast�puj�cy spos�b:

• Je�li masz artyku� wsp�tworzony przez Erd�sa, masz numer Erd�s 1.
• W przeciwnym razie, je�li masz artyku� opublikowany ze wsp�autorem, kt�ry ma numer Erd�s 1, masz numer Erd�s 2.
• W przeciwnym razie, je�li masz artyku� opublikowany ze wsp�autorem, kt�ry ma liczb� Erd�s n, masz liczb� Erd�s n + 1.

Metryki odleg�o�ci mo�na �atwo zastosowa� w innych sieciach, a nie tylko w sieciach os�b publikuj�cych artyku�y naukowe. Bardzo odmienn� sieci� jest sie� aktor�w, kt�rzy zagraj� w filmach - tutaj jako "centrum" wszech�wiata aktor�w filmowych zosta�o wybrane jako Kevin Bacon, ameryka�ski aktor filmowy i teatralny, kt�ry zagra� w wielu filmach, takich jak JFK, Apollo 13 i Footloose. Liczba Kevina Bacona obliczana jest w nast�puj�cy spos�b:

• Je�li zagra�e� w filmie z Kevinem Baconem, masz numer Kevina Bacona 1.
• W przeciwnym razie, je�li zagra�e� w filmie z gwiazd�, kt�ry ma numer Kevina Bacona 1, masz numer Kevina Bacona 2.
• W przeciwnym razie, je�li zagra�e� w filmie z kim�, kto ma numer Kevin Bacon n, masz numer Kevina Bacona n + 1.

Liczby Erd�sa i Kevina Bacona dostarczaj� przybli�onych miar stopnia przynale�no�ci danej osoby do konkretnej spo�eczno�ci, takiej jak Matematycy i / lub aktorzy filmowi - im wy�sze liczby, tym mniejsze zaanga�owanie w t� spo�eczno��. W ka�dej spo�eczno�ci istniej� osoby, kt�re s� r�wnie� cz�onkami innych spo�eczno�ci, i cz�sto te osoby mog� szybciej rozpowszechnia� wiadomo�ci, szczeg�lnie mi�dzy najbardziej roz��cznymi spo�eczno�ciami, w kt�rych interakcja jest minimalna - to znaczy, gdy komunikacja mi�dzy spo�eczno�ciami jest znacznie mniejsza ni� wewn�trz organizacji. komunikacja spo�eczna. Osoby z wieloma cz�onkostwami s�u�� do rozpowszechniania pomys��w lub wiadomo�ci, kt�re mog� by� dobrze znane w ramach jednej spo�eczno�ci innym spo�eczno�ciom, w kt�rych ta sama wiadomo�� mo�e by� mniej znana lub nawet zupe�nie nieznana. W badaniach akademickich cz�sto dokonano wa�nych prze�om�w, na przyk�ad dzi�ki interdyscyplinarnym badaniom. Poniewa� mo�emy zmierzy� stopie� oddzielenia od jednej dobrze znanej osoby w danej spo�eczno�ci, mo�emy zmierzy� po��czone rozdzielenie z dw�ch lub wi�cej spo�eczno�ci. Dla spo�eczno�ci matematyk�w i aktor�w filmowych mamy numer Erd�s-Bacon, kt�ry jest sum� liczby Erd�sa plus liczba Kevina Bacona. Nie jest niespodziewanie, niewielu ludzi ma zar�wno numer Erd�sa, jak i numer Kevina Bacona, co �wiadczy o niewielkiej interakcji mi�dzy matematykami a aktorami filmowymi. Istniej� jednak i s� pewne godne uwagi wyj�tki, takie jak astronom Carl Sagan i fizyk teoretyczny Stephen Hawking, a tak�e Natalie Portman, aktorka znana z roli w filmach Gwiezdnych wojen. Natalie Portman ma numer 5 Erd�s ze wzgl�du na autorstwo artyku��w psychologicznych podczas studi�w Harvard w dziedzinie psychologii. Ma r�wnie� numer Kevina Bacona 1 (zagra�a w filmie Nowy Jork, Kocham ci� z Kevinem Baconem). Jej liczba Erd�s-Bacon wynosi zatem 6 (5 + 1). Mamy teraz t�o, aby przyjrze� si� modelowi Being Kevin Bacon NetLogo. Zrzut ekranu przedstawia model.

W �rodowisku NetLogo pokazana jest losowo wygenerowana sie�. S�u�y ona do symulacji skuteczno�ci r�nych metod komunikacyjnych, pomagaj�c w rozprzestrzenianiu wiadomo�ci w ca�ej sieci. Sie� w tym przypadku zawiera 65 w�z��w, z kt�rych dwa to supernody. Normalne w�z�y maj� losowa liczba po��cze� od jednego do 5, a super-w�z�y maj� losow� liczb� po��cze� do 50. Kod u�ywany do generowania sieci jest pokazany w NetLogo Code to create-network [number-of-nodes]

;; Tworzy liczb� nowych w�z��w w sieci.
create-nodes number-of-nodes
[
set blackboard table:make ;; used by walkers if applying the blackboard
;; metoda dzielenia si� wiedz�
ifelse (random 100 < percent-in-both)
[ set link-type 0 ;; zar�wno erdos, jak i w�ze� bekonowy
set color red
set label (word "eb" who " ") ]
;jeszcze
[ ifelse (random 2 = 0)
[ set link-type 1 ;; w�ze� erdos
set color lime
set label (word "e" who " ") ]
[ set link-type 2 ;; w�ze� boczek
set color blue
set label (word "b" who " ") ]]
]
set erdos-set nodes with [link-type = 1 or link-type = 0] ;; w�ze� erdos
set bacon-set nodes with [link-type = 2 or link-type = 0] ;; w�ze� boczek
end
to setup-network
clear-all
set-default-shape nodes "circle 2"
set-default-shape dwalkers "person"
;; utw�rz losow� sie�
reset-counts
set max-distance 999999
;; liczba ta musi by� wi�ksza ni� maksymalna d�ugo�� cie�ki w sieci
if (network-update > 0)
[ set network-update-count random network-update ]
create-network no-of-nodes
set paul-erdos min-one-of erdos-set [ who ]
set kevin-bacon min-one-of bacon-set [ who ]
ask paul-erdos [ set color magenta set paul-erdos-no who ]
ask kevin-bacon [ set color orange set kevin-bacon-no who ]
create-network-links
reset-layout
end

Generowane s� trzy typy w�z��w - w�z�y nale��ce do zestawu Paula Erd�sa (s� to kolorlimonki ), w�z�y nale��ce do zestawu Kevina Bacona (kolor niebieski) i te, kt�re nale�� do obu (kolor czerwony). Procent suwaka w obu przypadkach s�u�y do okre�lenia szansy, �e w�ze� zostanie losowo wygenerowany i b�dzie nale�a� do obu zestaw�w; w przeciwnym razie w�ze� zostanie losowo wybrany do jednego z zestaw�w Paula Erd�sa lub zestawu Kevina Bacona. Etykiety w�z��w s� pokazane obok w�z��w w �rodowisku z ich agentem, kt�rego numer jest poprzedzany przez "e", je�li s� w zestawie Paula Erd�sa, "b", je�li s� w zestawie Kevina Bacona i "eb", je�li s� s� w obu. W�ze� powi�zany z Paulem Erd�sem zosta� wybrany jako w�ze� z zestawu Paula Erd�sa z minimaln� liczb� os�b (jest to kolorowa magenta i oznaczona jako "e1" w �rodkowej prawej cz�ci otoczenia), podobnie jak dla w�z�a Kevina Bacona (kolorowego pomara�czowy i oznaczony "b0" blisko do�u po lewej). Po utworzeniu sieci mo�emy uzyska� agent�w spacerowicz�w, kt�rzy "przeszukuj�" j�, wykonuj�c r�ne zadania. Jednym z zada� mo�e by� znalezienie �redniego stopnia rozdzielenia w�z��w w sieci od okre�lonego w�z�a; w modelu ten w�ze� jest wyznaczony przez centrum suwaka wszech�wiata. Dobrze znanym algorytmem do wykonywania tych oblicze� jest algorytm Dijkstry. Algorytm zosta� zaimplementowany w modelu Being Kevin Bacon - kod znajduje si� w kodzie NetLogo

to initialise-distances [initial-node]
;; inicjuje najkr�tsze odleg�o�ci mi�dzy w�z�ami sieci do 0
let number-of-nodes max [who] of nodes + 1
set dijkstra-distances array:from-list n-values number-of-nodes
[number-of-nodes + 1] ;; "niesko�czono��"
set dijkstra-directions array:from-list n-values number-of-nodes [nobody]
array:set dijkstra-distances initial-node 0
;; (ustawia odleg�o�� na 0 dla pocz�tkowego w�z�a)
end
to perform-dijkstra [initial-node nodes-to-visit]
;; oblicza tablic� odleg�o�ci dla algorytmu Dijkstra przy u�yciu
;; w�ze� pocz�tkowy jako punkt centralny
set nodes-visited 0
initialise-distances [who] of initial-node
let visited-set [] ;; this is the list of nodes that have been visited
let unvisited-set nodes-to-visit
;; jest to lista w�z��w, kt�re jeszcze nie zosta�y odwiedzone
let this-dwalker nobody
if (animate-dijkstra)
[ create-dwalkers 1
[ set color white
set size 2
set this-dwalker who ]]
let current-node initial-node
while [count unvisited-set > 0]
[
if (animate-dijkstra)
[ ask dwalker this-dwalker
[ setxy [xcor] of current-node [ycor] of current-node
display
wait 0.1 ]]
ask current-node
[
set nodes-visited nodes-visited + 1
set visited-set fput who visited-set
set unvisited-set other unvisited-set
ask link-neighbors
[
let dist-thru-here
(array:item dijkstra-distances [who] of current-node) + 1
let dist-thru-to-there array:item dijkstra-distances who
if (dist-thru-here < dist-thru-to-there)
[ array:set dijkstra-distances who dist-thru-here
array:set dijkstra-directions who [who] of current-node ]
]
;; ustaw bie��cy w�ze� na pozosta�y nie odwiedzony w�ze�, kt�ry ma
;; najmniejsza odleg�o�� do pocz�tkowego w�z�a
set current-node min-one-of unvisited-set
[array:item dijkstra-distances who]
]
]
;;
print array:to-list dijkstra-distances
if (animate-dijkstra)
[ wait 0.2 ask dwalker this-dwalker [ die ]]
end
to go-dijkstra
;; Uruchom bezpo�rednio za pomoc� przycisku interfejsu - oblicza tablic� odleg�o�ci
;; dla algorytmu Dijkstra
let initial-node nobody
ifelse (centre-of-the-universe = "Paul Erdos")
[ set initial-node paul-erdos ]
;; ustaw w�ze� pocz�tkowy na w�ze� powi�zany z Paulem Erdosem
[ set initial-node kevin-bacon ]
;; ustaw w�ze� pocz�tkowy na w�ze� powi�zany z Kevinem Baconem
initialise-distances [who] of initial-node
let nodes-to-visit []
;; (jest to lista w�z��w, kt�re jeszcze nie zosta�y odwiedzone))
ifelse (centre-of-the-universe = "Paul Erdos")
[ set nodes-to-visit erdos-set ]
[ set nodes-to-visit bacon-set ]
perform-dijkstra initial-node nodes-to-visit
dump-dijkstra-directions
plot-dijkstra
end

Algorytm dzia�a, gdy agenci spaceruj�cy indeksuj� sie�, aktualizuj�c najkr�tsze odleg�o�ci �cie�ek w trakcie ich dzia�ania. Odleg�o�ci te s� przechowywane w strukturze danych tablicy, kt�ra jest rozszerzeniem do NetLogo. Procedura perform-dijkstra wykonuje obliczenia zwracane w dijkstradystancjach tablicy odleg�o�ci. Ta tablica ma licznik odleg�o�ci skojarzony z ka�dym w�z�em (indeksowany przez numer w�z�a), kt�ry jest stopniowo aktualizowany przez agent�w spaceeuj�cych podczas przeszukiwania sieci. Algorytm utrzymuje dwa zestawy - zestaw w�z��w, kt�re jeszcze nie odwiedzi�, oraz zestaw w�z��w, kt�re ma. Pierwszy odwiedzony w�ze� jest wybierany jako w�ze� powi�zany z w�z�em docelowym (to znaczy w�z�em zwi�zanym z centrum Wszech�wiata lub Kevin Bacon w tym przyk�adzie). Dla ka�dego odwiedzanego w�z�a jest on najpierw dodawany do ju� odwiedzonego zestawu, aby nie by� ponownie odwiedzany, a nast�pnie algorytm aktualizuje liczniki odleg�o�ci dla wszystkich jego s�siad�w ��cza, w kt�rych odleg�o�� do w�z�a docelowego by�aby kr�tsza w stosunku do bie��cego w�z�a. Bie��cy w�ze� jest nast�pnie ustawiony na w�ze� w nieodwiedzonym zbiorze, kt�ry ma najmniejsz� odleg�o�� od pocz�tkowego w�z�a docelowego. W modelu Being Kevin Bacon, algorytm Dijkstra jest wykonywany przez klikni�cie przycisku go-djijkstra w interfejsie. Po zako�czeniu wy�wietli si� okno dialogowe z informacj�, jaka jest �rednia odleg�o�� najkr�tszej �cie�ki, nast�pnie wykre�li najkr�tsz� �cie�k�, odleg�o�ci dla ka�dego w�z�a na dolnym wykresie pokazanym w prawym dolnym rogu rysunku. U�ywanie agent�w komunikacyjnych do wyszukiwania sieci Kolejnym zadaniem, kt�re mo�emy wykona� dla agent�w walker�w, jest symulowanie przeszukiwania sieci, takiego jak w rzeczywistych ludzkich sieciach spo�eczno�ciowych lub komputerowych sieciach peer-to-peer. W tym miejscu wielu agent�w przeszukuje sie� jednocze�nie bez uprzedniej wiedzy, aby znale�� r�ne w�z�y celu z r�nych punkt�w pocz�tkowych w sieci. Na przyk�ad w sieciach typu peer-to-peer wyst�puje problem zwany wykrywaniem zasob�w, gdy u�ytkownik musi znale�� okre�lony zas�b w sieci typu peer-to-peer. Zasobem mo�e by� konkretny plik, kt�ry chce pobra�, lub komputer z niezb�dn� moc� obliczeniow� lub pami�ci�, kt�ry jest wymagany do zdalnego wykonania programu. Symulacja wdro�ona przez model Being Kevin Bacon polega na stworzeniu agent�w spacerowicz�w, kt�rzy chodz� po sieci, pr�buj�c dotrze� do wybranego w�z�a celu wybranego losowo. Wiedza dotycz�ca lokalizacji w�z��w w sieci jest przekazywana przy u�yciu r�nych metod komunikacji - model implementuje pi��: metoda o nazwie none, w kt�rej agenty nie komunikuj� niczego, gdy si� krzy�uj�; metoda zwana "word-of-mouth", kt�ra jest analogiczna do zachowania komunikacji ustnej; metoda zwana blackboard kt�ra jest analogiczna do zachowania komunikacyjnego kt�ra wykorzystuje stygmergi�, jak om�wiono w sekcji wcze�niej ; oraz dwie metody (combined 0 i combined 1), kt�re ��cz� metody komunikacji w mowie i na tablicy. Metoda Blackboard opiera si� na architekturze sztucznej inteligencji o tej samej nazwie, w kt�rej agenci wsp�dziel� i aktualizuj� wsp�ln� baz� wiedzy. Architektura tablicy jest analogiczna do tego, w jaki spos�b tablice u�ywane s� w klasach i podczas wyk�ad�w. Tablica s�u�y jako medium, za po�rednictwem kt�rego przekazywane s� idee. W komunikacji ludzkiej osoby w klasie lub w teatrze wyk�adowym maj� mo�liwo�� czytania w czasie wolnym (lub ignorowania) tego, co zosta�o napisane na tablicy. Odmiana architektury tablicowej u�ytej w symulacji polega na tym, �e zamiast u�ywa� jednej tablicy, ka�dy w�ze� ma w�asn� tablic�. Ka�dy przechodz�cy agent spacerowy mo�e wybra� odczytanie informacji zapisanych na tablicy w�z�a lub mo�e zignorowa� to; jednak w modelu agenci piechur�w zawsze wybieraj� odczyty i aktualizuj� tablice w�z��w. Przechowywane informacje to odleg�o��, jak� trzeba pokona�, aby dosta� si� do innego w�z�a w sieci, wybieraj�c okre�lon� �cie�k� z bie��cego w�z�a. Jest on aktualizowany, gdy walker zwraca �cie�k� do w�z�a, z kt�rego zacz��. �adne inne informacje nie s� przechowywane na tablicy - na przyk�ad pe�na �cie�ka dost�pu do w�z�a celu nie jest przechowywana - tylko informacja, ile czasu zaj�o, aby wybra� konkretn� �cie�k�. Je�li p�niejszy piechur znajdzie kr�tsz� tras� za pomoc� innej �cie�ki, w�wczas mniejsza warto�� odleg�o�ci zostanie zapisana na tablicy. Je�li na tablicy nie ma �adnych wcze�niejszych informacji, agenci piechoty dokonaj� losowego wyboru, gdzie dalej i��. Kod do aktualizacji tablic jest pokazany w NetLogo Code Procedura update-along-path aktualizuje tablice wzd�u� �cie�ki walkera, this-walker je�li �cie�ka do celu jest kr�tsza.

to update-along-path [this-walker value]
;; aktualizuje informacje wzd�u� �cie�ki, gdy metoda dzielenia si� wiedz�
;; to �Tablica� lub kombinacja
let p 0
let val 0
let val1 0
let key-dist ""
let key-path ""
if knowledge-sharing = "Blackboard" or
knowledge-sharing = "Combined 1" or
knowledge-sharing = "Combined 2"
[
ask this-walker
[
;;wpisz �goal =� wpisz goal wpisz �path = " show path
let this-goal goal
let prev first path
foreach but-first path
[
set key-dist (word this-goal " dist")
set key-path (word this-goal " path")
ifelse (value = "F")
[ set val max-distance ] ;; failure - node was not found
[ set val p + 1 ] ;; calculate the position in the path
if is-turtle? ? ;; does the node exist? (it may have been deleted)
[
ask ?
;; aktualizuj tablice wzd�u� �cie�ki, je�li droga do celu jest kr�tszar
[ ifelse (not table:has-key? blackboard key-dist)
[ set val1 max-distance + 1 ]
;; (�aden wpis nie istnieje - upewnij si�, �e dodano nowy wpis)
[ set val1 table:get blackboard key-dist ]
if (val < val1)
[ table:put blackboard key-dist val
table:put blackboard key-path prev ]]
]
set prev ?
set p p + 1
]]
]
end

Kod u�ywa rozszerzenia tabeli do NetLogo, gdzie warto�ci powi�zane z kluczami wyszukiwania mog� by� przechowywane i pobierane w tabeli mieszania. Istniej� dwa rodzaje kluczy u�ywanych do tablicy, klucz do przechowywania wyboru �cie�ki i klucz do przechowywania jej odleg�o�ci. Przycisk dump-blackboards mo�na klikn�� w interfejsie, aby zrzuci� zawarto�� wszystkich tablic w�z��w. Zrzut tablicy z wpisami dla dw�ch w�z��w docelowych mo�e wygl�da� nast�puj�co: Kluczowy ci�g zawiera najpierw list� zawieraj�c� ci�g "w�ze�", po kt�rym nast�puje numer docelowego w�z�a, kt�ry mo�na znale��, pod��aj�c za odno�nikiem okre�lonym przez klucz �cie�ki. W przyk�adzie, dwoma w�z�ami docelowymi s� w�z�y 59 i 52. Pierwszy z nich mo�na osi�gn�� wzd�u� �cie�ki z odleg�o�ci� 8, pod��aj�c za ��czem do w�z�a 11, ten ostatni wykonuje 6 krok�w, je�li nast�puje to samo ��cze z w�z�em 11. Symulacja modelu rozpoczyna si� od klikni�cia przycisku go-walkers. Pojedyncza iteracja symulacji mo�e zosta� wykonana poprzez klikni�cie przycisku go-walkers-once. Wielokrotne symulacje pokazuj�, �e metoda komunikacji w Tablicy zaimplementowana w symulacji konsekwentnie przewy�sza metod� komunikacji "z ust do ust". Odzwierciedla to wyniki eksperymentalne symulacje dla problemu wykrywania zasob�w w sieciach peer-to-peer. Podczas symulacji modelu NetLogo, �cie�ka, kt�r� poruszaj� si� spacerowicze, jest pokazana poprzez zwi�kszenie szeroko�ci przekierowanego po��czenia, jak pokazuje grubsze bia�e linie na Rysunku. Po prawej stronie zauwa�, istniej� pewne statystyki, kt�re zosta�y zebrane podczas symulacji. W prawym dolnym rogu znajduj� si� cztery monitory, kt�re wy�wietlaj� liczb� w�z��w (65 na rysunku), aktualn� liczb� agent�w (12), liczb� w�z��w odwiedzonych przez spacerowicz�w (30) i procentowy sukces, jaki mieli spacerowicze. w znalezieniu w�z�a celu (67,34%). Wykres w prawym g�rnym rogu wykresu pokazuje liczb� walker�w w stosunku do tick. Agenci w�druj� dalej, dop�ki nie znajd� w�z�a celu lub przekrocz� czas, jaki time-to-live (w tym przypadku ustawiono 20 tick�w). Wykres pokazuje, �e pocz�tkowo liczba spacerowicz�w ro�nie do momentu przekroczenia przez agent�w spaceruj�cych zmiennej time-to-ive, a nast�pnie nadal spada, poniewa� coraz wi�cej agent�w spacerowych zaczyna znajdowanie w�z�a celu bardziej regularnie, ni� wiedza zawarta w tablicach i / lub transmitowane przez s�owo z ust staje si� bardziej skuteczny w ograniczaniu poszukiwania nowych agent�w. �rodkowy wykres przedstawia odsetek udanych wyszukiwa� w por�wnaniu z ca�kowit� liczb� wyszukiwa�; niewielki wzrost nachylenia wskazuje na efekt uczenia si�, poniewa� wi�ksza wiedza jest przechowywana lub przesy�ana. Dolny wykres jest wynikiem dzia�ania algorytmu Dijkstra, jak om�wiono powy�ej. Kod, kt�ry zostanie wykonany po klikni�ciu przycisku go-walkers, jest wy�wietlany w kodzie NetLogo

to go-walkers
;; zmusi� spacerowicz�w do kontynuowania wyszukiwania
if (simulation-ticks > 0) and (ticks > simulation-ticks)
[ stop ]
update-network
setup-walkers
ask links [ set thickness 0 ]
ask walkers
[
set nodes-visited nodes-visited + 1
ifelse (ticks-alive >= time-to-live)
;;�y� zbyt d�ugo bez sukcesu - zabij to
[ set unsuccessful-searches unsuccessful-searches + 1
update-along-path self "F"
;; w razie potrzeby zaktualizuj informacje wzd�u� �cie�ki; �F� oznacza awari�
]
[ ;; utw�rz nowych spacerowicz�w, aby przenie�� si� do nowej lokalizacji
expand-walkers (next-locations location)
]
die ;; zawsze umieraj - stwory zosta�y ju� wys�ane
;; kontynuuj poszukiwanie mnie
]
plot-walkers
tick
end
to expand-walkers [new-locations-list]
let new-walkers-count length new-locations-list
let new-location 0
hatch-walkers new-walkers-count
[ ;; utw�rz now� walker w miejscu, aby kontynuowa� wyszukiwanie
;; i przenie� si� do nowej lokalizacji
set ticks-alive ticks-alive + 1
;; zjed� z nast�pnej lokalizacji do odwiedzenia:
set new-location first new-locations-list
set new-locations-list but-first new-locations-list
ifelse (not revisits-allowed and member? new-location path)
[ die ] ;; nie odwiedzaj ponownie w�z��w, kt�re ju� odwiedzi�e�, chyba �e masz na to zgod�
[
if (new-location != nobody) and
([link-with new-location] of location != nobody)
[
;; pod�wietl link jaki pzekraczam
ask [link-with new-location] of location [ set thickness 0.4 ]
face new-location
move-to new-location
set location new-location
set path fput new-location path
if new-location = goal ;; success-no need to hang around any longer
[ set successful-searches successful-searches + 1
;; w razie potrzeby zaktualizuj informacje wzd�u� �cie�ki; �S� oznacza sukcess
update-along-path self "S"
die ] ;; die happy
]]
]
end

Procedura go-walkers najpierw aktualizuje sie�, dodaj�c lub usuwaj�c losowe w�z�y w sieci, je�li sie� jest dynamiczna. Ma to na celu symulacj� sieci, w kt�rych w�z�y nieustannie si� zmieniaj�; szybko�� zmian mo�na kontrolowa� za pomoc� suwak�w network-update, nodes-to-ad i nodes-to-delete modelu interfejsu . Je�li network-update jest ustawiona na 0, sie� staje si� statyczna bez dodawania nowych w�z��w lub usuwania ka�dego tiku.Procedura go -walkers zeruje nast�pnie grubo�� linii wszystkich link�w do 0, a nast�pnie pyta ka�dego aktualnie aktywnego agenta, czy trwa zbyt d�ugo (tj. time-to-live). Je�li tak, tablice na �cie�ce odwiedzonej przez spacer�wki s� aktualizowane przez zapisanie du�ej liczby max-distance w celu odzwierciedlenia, �e �cie�ka zosta�a uszkodzona (ta liczba zosta�a zainicjowana w kodzie NetLogo, i musi by� liczb� znacznie wi�ksz� ni� maksymalna d�ugo�� dowolnej �cie�ki w sieci). W przeciwnym razie wyszukiwanie zostanie rozszerzone poprzez wywo�anie procedury expand-walkers, kt�ra wykluczy nowych spacerowicz�w w celu przeniesienia do nowych lokalizacji w sieci i zaktualizuje tablice, je�li �cie�ka wyszukiwania zako�czy�a si� powodzeniem. Nast�pnie bie��cy piechur mo�e umrze�, poniewa� ju� przekaza� pozosta�� cz�� poszukiwa� spacerowiczom stworzonym przez procedur� expand-walkers. Przyjrzymy si� teraz probabilistycznemu podej�ciu do charakteryzowania komunikacji opartej na teorii informacji, aby pom�c nam w dalszym badaniu natury komunikacji i j�zyka.

Entropia i informacje

W teorii informacji, entropia zapewnia �rodki do pomiaru informacji przesy�anych mi�dzy �rodkami przekazuj�cymi w kanale komunikacji. Entropia to �rednia liczba bit�w wymaganych do przekazania komunikatu mi�dzy dwoma agentami w kanale komunikacji. Zasadnicze twierdzenie o kodowaniu (Shannon, 1948) stwierdza, �e dolna granica do �redniej liczby bit�w na symbol potrzebnych do zakodowania wiadomo�ci (tj. sekwencji symboli, takich jak tekst) przes�anych kana�em komunikacyjnym, jest okre�lona przez jej entropi�):

gdzie jest k mo�liwych symboli z rozk�adem prawdopodobie�stwa i gdzie prawdopodobie�stwa s� niezale�ne i sumuj� si� do 1. Je�li podstawa logarytmu wynosi 2, to jednostka miary jest podana w bitach. Za��my na przyk�ad, �e alfabet zawiera pi�� symboli: bia�y, czarny, czerwony, niebieski i r�owy prawdopodobie�stwa 2/7. 2/7, 1/7 , 1/7 i 1/7 . Nast�pnie �rednia liczba bit�w potrzebnych do zakodowania ka�dego symbolu jest okre�lona przez:

Entropia jest miar� ilo�ci niepewno�ci zwi�zanej z wyborem symbolu - im wi�ksza entropia, tym wi�ksza niepewno��. Mo�e by� r�wnie� uwa�ana za miar� "tre�ci informacyjnej" komunikatu - bardziej prawdopodobne komunikaty przekazuj� mniej informacji ni� mniej prawdopodobne. Entropia mo�e by� bezpo�rednio zwi�zana z kompresj�. Entropia jest doln� granic� �redniej liczby bit�w na symbol wymagan� do zakodowania d�ugiego ci�gu tekstu wyci�gni�tego z okre�lonego j�zyka �r�d�owego, co oznacza, �e kodowanie arytmetyczne, metoda przypisywania kod�w do symboli o znanym rozk�adzie prawdopodobie�stwa, pozwala uzyska� �redni kod d�ugo�� arbitralnie zbli�ona do entropii. Zatem kompresj� mo�na stosowa� bezpo�rednio do oszacowania g�rnej granicy entropii w nast�puj�cy spos�b. Bior�c pod uwag� sekwencj� n symboli x₁ x₂…x_n, entropi� mo�na oszacowa�, sumuj�c d�ugo�ci kodu wymagane do kodowania ka�dego symbolu:

Tutaj d�ugo�� kodu dla ka�dego symbolu x_i jest obliczana za pomoc� wzoru -log₂p(x_i). Entropia obliczona w ten spos�b jest istotna, poniewa� zapewnia miar� tego, jak dobrze model statystyczny robi w por�wnaniu do innych modeli. Odbywa si� to poprzez obliczenie entropii dla ka�dego modelu statystycznego, a model o najmniejszej entropii jest oceniany jako "najlepszy"

Obliczanie entropii w NetLogo

W NetLogo stworzono model gier z odgadywaniem samochod�w, aby zilustrowa�, jak obliczane s� d�ugo�ci kodu entropii i kompresji. Zrzut ekranowy interfejsu modelu pokazano na rysunku

Model reprezentuje odmian� gry, w kt�r� ludzie mog� gra� podczas podr�y samochodem. Ludzie wybieraj� kolor z g�ry - zwykle bia�y, czarny, czerwony lub niebieski - a nast�pnie licz�, ile samochod�w z wybranym kolorem przeje�d�a obok nich w przeciwnym kierunku. Osoba, kt�ra ma najwi�ksz� liczb� na koniec gry, wygrywa. Odmiana gry zawarta w modelu polega na tym, �e zamiast ka�dej osoby wybieraj�cej pojedynczy samoch�d, okre�laj� one z g�ry liczb� ka�dego koloru w celu zdefiniowania rozk�adu prawdopodobie�stwa. Ich wyniki mierzone s� poprzez kodowanie przybycia samochod�w do ich w�asnej dystrybucji. Osoba, kt�ra ma najmniejsz� ca�kowit� d�ugo�� kodu (suma dziennika prawdopodobie�stw kolor�w samochod�w, kt�re si� pojawiaj�) jest t�, kt�ra wygrywa. Na rysunku s� rozk�ady prawdopodobie�stwa dla trzech agent�w, kt�re symuluj� trzy r�ne osoby graj�ce w t� gr�. S� one definiowane za pomoc� suwak�w po lewej stronie, kt�re s� u�ywane do zmiany liczby dla ka�dego koloru w rozk�adzie, a liczby s� u�ywane do obliczenia prawdopodobie�stw przez podzielenie przez ca�kowit� liczb�. Dodatkowo istniej� liczniki, kt�re definiuj� dystrybucj� �r�d�ow�, kt�ra jest u�ywana do generowania kolor�w samochod�w, kt�re pojawiaj� si� w animacji. Czwarty agent komputerowy r�wnie� gra w gr�, aktualizuj�c w spos�b automatyczny liczb� poszczeg�lnych kolor�w w miar� pojawiania si� samochod�w. Liczby te s� pokazane w bia�ych polach pod nag��wkiem "Dystrybucja agenta adaptacyjnego" na �rodku figury. Poniewa� dystrybucja �r�d�a jest w tym przypadku r�wnie prawdopodobna - ka�dy z kolor�w ma tak� sam� liczb� 1 - wtedy znajduje to odzwierciedlenie w liczbach adaptacyjnych, kt�re s� bardzo podobne, 214 lub 215. Oznacza to, �e by�o 214 lub 215 samochod�w z obserwowanym kolorem, kt�ry zosta� wygenerowany przez model od momentu uruchomienia animacji. Obliczenia entropii i d�ugo�ci kodu pokazano w prawej ramce na rysunku. Entropia dla wszystkich rozk�ad�w pozostaje taka sama, z wyj�tkiem rozk�adu adaptacyjnego do momentu u�ycia suwaka do zmiany liczby po lewej stronie, a nast�pnie entropia jest natychmiast ponownie obliczana, aby odzwierciedli� zmian� w rozk�adzie prawdopodobie�stwa. Entropia dla rozk�adu adaptacyjnego zmienia si� nieustannie, aby odzwierciedli� fakt, �e warto�ci adaptacyjne s� ci�gle aktualizowane. D�ugo�� kodu po prawej stronie figury stanowi sumaryczne sumy koszt�w kodowania informacji o kolorze rzeczywistego samochodu wed�ug rozk�adu ka�dego agenta. Zazwyczaj ca�kowita d�ugo�� kodu �r�d�owego jest mniejsza ni� reszta, poniewa� odzwierciedla rzeczywisty rozk�ad, kt�ry jest u�ywany do generowania wygl�du samochod�w. D�ugo�� kodu adaptacyjnego jest r�wnie� zwykle bliska, ale nieco wi�ksza ni� d�ugo�� kodu �r�d�owego, co wskazuje na u�yteczno�� strategii dopasowania twojego rozk�adu do rzeczywistych obserwacji, zamiast wcze�niejszego zdefiniowania predefiniowanego prawdopodobie�stwa. W niekt�rych okoliczno�ciach jednak, z powodu losowo�ci u�ywanej do generowania sekwencji samochod�w, kt�re si� pojawiaj�, w r�nych momentach rzeczywisty rozk�ad nie pasuje dok�adnie do rozk�adu �r�d�a, w kt�rym to przypadku strategia adaptacyjna mo�e przewy�sza� prognozy �r�d�owe przy odgadywaniu koloru samochody W przypadku trzech agent�w u�ywaj�cych cz�ciowo ustalonej strategii (tj. U�ytkownik mo�e u�ywa� suwak�w do zmiany liczby w locie, wi�c dystrybucja jest ustalana tylko do nast�pnej zmiany liczby), d�ugo�ci kodu odzwierciedlaj�, jak podobne s� liczby do �r�d�a si� liczy. Je�li istnieje odmiany, spowoduje to wi�ksze kodowanie koszt�w. Na przyk�ad na rysunku liczba agent�w 01 jest najbli�ej liczby �r�de�, przy czym tylko liczba bia�ych i czarnych jest r�na. Powoduje to nieznaczny spadek entropii - od 2,32 do 2,24, poniewa� entropia wskazuje �redni koszt kodowania koloru pojedynczego samochodu, a niekt�re kolory maj� obecnie wyst�powa� cz�ciej ni� terapeuty. Jednak nie jest to odzwierciedlone w obserwacje, poniewa� rozk�ady prawdopodobie�stwa obecnie nie s� zgodne, a zatem w wyniku tego zwi�ksza si� ca�kowita d�ugo�� kodu (z 2479.82 do 2571.26). Kiedy liczba jest znacz�co niedopasowana, tak jak w przypadku agent�w 02 i 03, sumy d�ugo�ci kodu s� w rezultacie du�o wi�ksze ni� d�ugo�� kodu �r�d�owego. Wybrane cz�ci kodu modelu zosta�y wymienione w kodzie NetLogo. (Pe�ny kod mo�na pobra� za pomoc� linku URL pokazanego na dole tego rozdzia�u). Pierwsza lista kod�w zawiera procedur� setup-configuration i dystrybucji, w kt�rej rozk�ady s� ustalane na podstawie liczby suwak�w. Rozk�ady s� reprezentowane jako lista pi�ciu liczb - w kolejno�ci bia�ej, czarnej, czerwonej, niebieskiej i r�owej. Rozk�ad adaptacyjny inicjowany jest tak, �e wszystkie liczby wynosz� 1 na pocz�tku. Pod koniec procedury ustawiania obliczono ca�kowit� liczb� dist-total i dist-entropy i obliczon� dla rozk�adu. Procedura neg-log-prob oblicza warto�� ujemn� logu prawdopodobie�stwa dla ka�dego koloru, wykorzystuj�c liczb� i liczb� ca�kowit�, i jest u�ywana do obliczenia entropii dla rozk�adu.

to setup-distributions
;; ustawia rozk�ady dla ka�dego agentat
ask agents with [agent-id = 0]
[ set distribution
(list source-white source-black source-red source-blue source-pink) ]
ask agents with [agent-id = 1]
[ set distribution
(list agent-01-white agent-01-black agent-01-red agent-01-blue
agent-01-pink) ]
ask agents with [agent-id = 2]
[ set distribution
(list agent-02-white agent-02-black agent-02-red agent-02-blue
agent-02-pink) ]
ask agents with [agent-id = 3]
[ set distribution
(list agent-03-white agent-03-black agent-03-red agent-03-blue
agent-03-pink) ]
if (ticks = 0)
[ ask agents with [agent-id = 4] ; initialise the adaptive distribution
[ set distribution (list 1 1 1 1 1) ]]
;; wszystkie kolory s� dost�pne na pocz�tku dla �rodka adaptacyjnego
;; liczby dystrybucji agenta adaptacyjnego s� nast�pnie aktualizowane
;; gdzie indziej w aktualizacji-adaptacyjnej-liczbie
ask agents
[ set dist-total 0
set dist-entropy 0
foreach distribution
[ set dist-total dist-total + ?] ; calculate total first
foreach distribution
[ set dist-entropy dist-entropy + neg-log-prob ? dist-total]]
end
to-report neg-log-prob [p q]
;; zwraca ujemn� warto�� logarytmu do podstawy 2 prawdopodobie�stwa p / q.
report (- log (p / q) 2)
end
Obliczanie d�ugo�ci kodu odbywa si� za pomoc� procedury encode-this-car w kodzie NetLogo. ��czna d�ugo�� kodu do tej pory, codelength-total, jest aktualizowana poprzez dodanie ujemnego logu prawdopodobie�stwa dla koloru zakodowanego samochodu. Prawdopodobie�stwo to liczba kolor�w zapisanych na li�cie distribution agenta podzielona przez ca�kowit� liczb�, dist-total.
to encode-this-car [colour]
;; zwraca koszt kodowania koloru tego samochodu zgodnie z
;; dystrybucja agenta
let codelength 0
ask agents
[
set codelength 0
ifelse colour = white
[set codelength neg-log-prob (item 0 distribution) dist-total]
[ifelse colour = 1 ;almost black to make the car doors & windows visible
[set codelength neg-log-prob (item 1 distribution) dist-total]
[ifelse colour = red
[set codelength neg-log-prob (item 2 distribution) dist-total]
[ifelse colour = blue
[set codelength neg-log-prob (item 3 distribution) dist-total]
[set codelength neg-log-prob (item 4 distribution) dist-total]]]]
set codelength-total codelength-total + codelength
]
end

Mo�emy reprezentowa� stan wewn�trzny agent�w w tej symulacji za pomoc� ich dystrybucji. Je�li zmienimy list� licznik�w dystrybucji na jeden numer, stosuj�c procedur� raportowania wymienion� w kodzie NetLogo, w�wczas mo�emy okre�li�, w jaki spos�b ka�da dystrybucja zmienia si� w zale�no�ci od czasu. Celem tego jest pokazanie, w jaki spos�b rozk�ady prawdopodobie�stwa mog� by� przedstawione jako pojedyncze punkty w przestrzeni n-wymiarowej i jak ich zmiana w czasie reprezentuje ruch w tej przestrzeni. Rysunek 7.5 pokazuje dwa zrzuty ekran�w, kt�re model wytworzy� dla dw�ch konfiguracji - jeden, w kt�rym liczy si� �r�d�o by�y wszystkie 1 (lewy wykres) i jeden, w kt�rym �r�d�em by�y wszystkie 1000 (prawy wykres).

Tylko dystrybucja adaptacyjna jest zmienna, a czerwone linie na wykresie odzwierciedlaj� to. Poniewa� liczniki adaptacyjne stale rosn�, musimy si� upewni�, �e maksymalna liczba nie jest nigdy przekroczona, wi�c robi si� to za pomoc� reportera remainder w kodzie. Pozosta�e rozk�ady s� statyczne, a ich linie s� poziome. Je�li u�ytkownik by�y zmieni� licznik na jedn� z tych dystrybucji, dzia�ki b�dzie odzwierciedla� zmiany przez zmiany w pozycji odpowiedniej linii.

to-report distribution-as-a-point [agent]
; zwraca rozk�ad agenta reprezentowany jako pojedynczy punkt
report ;; note that the maximum count for non-adaptive distributions is
;; 1000, wi�c upewnij si�, �e max. liczba nie przekracza 1000 dla
;; rozk�ad adaptacyjny
(remainder (item 0 [distribution] of agent) 1000) +
(remainder (item 1 [distribution] of agent) 1000) * 1000 +
(remainder (item 2 [distribution] of agent) 1000) * 1000 * 1000 +
(remainder (item 3 [distribution] of agent) 1000) * 1000 * 1000 * 1000 +
(remainder (item 4 [distribution] of agent) 1000) * 1000 * 1000 * 1000 *
1000
end

Ten model pokazuje, w jaki spos�b agenci mog� por�wnywa� jako�� r�nych modeli statystycznych. Modele te mog� pom�c przewidzie� prawdopodobne przysz�e zdarzenia w celu podj�cia �wiadomych decyzji. Wa�ne jest, aby pami�ta�, �e je�li nie masz pewnej wiedzy na temat procesu tworzenia przysz�ych zdarze�, to nigdy nie mo�esz upewnij si�, kt�ry model statystyczny jest "najlepszy" do przewidywania, co mo�e si� wydarzy� w przysz�o�ci, szczeg�lnie w dynamicznym �rodowisku, w kt�rym si�y generuj�ce zdarzenia mog� si� zmienia� z jednej chwili na nast�pn�.

Modelowanie j�zyka

Metoda podejmowania decyzji na podstawie tego, kt�ry model statystyczny by� najlepszy w przewidywaniu przesz�ych sekwencji zdarze� (na przyk�ad przy u�yciu oblicze� d�ugo�ci kodu kompresji, jak powy�ej) ma szeroki zakres aplikacji do podejmowania decyzji przez agent�w. W tym rozdziale koncentrowali�my si� na komunikacji i j�zyku, mo�emy te� przyjrze� si� kolejnym przyk�adom, kt�re to ilustruj�, szczeg�lnie w dziedzinie modelowania j�zyka. W statystycznym (lub probabilistycznym) modelu j�zyka przyjmuje si�, �e symbole (na przyk�ad s�owa lub znaki) mo�na scharakteryzowa� za pomoc� zestawu prawdopodobie�stw warunkowych. Model j�zykowy to komputerowy mechanizm s�u��cy do okre�lania prawdopodobie�stw warunkowych. Przypisuje prawdopodobie�stwo wszystkim mo�liwym ci�gom symboli. Najbardziej udane typy modeli j�zykowych dla sekwencji symboli, kt�re wyst�puj� w j�zykach naturalnych, takich jak angielski i walijski, to s�owa modele n-gramowe (kt�re bazuj� na prawdopodobie�stwie s�owa w poprzednich n wyrazach) i cz�� mowy w gramach modele (kt�re opieraj� prawdopodobie�stwo na poprzednich s�owach i cz�ciach mowy, s� r�wnie� nazywane modelami n-pos). Modele n-gramowe (modele oparte na znakach) r�wnie� zosta�y wypr�bowane, chocia� nie s� tak wyra�nie widoczne w literaturze, jak pozosta�e dwie klasy modelu. Prawdopodobie�stwa dla modeli s� szacowane poprzez zbieranie statystyk cz�stotliwo�ci z du�ego zbioru tekst�w, zwanego tekstem szkolenia, w procesie zwanym treningiem. Rozmiar tekstu szkolenia jest zwykle bardzo du�y i zawiera wiele milion�w (aw niekt�rych przypadkach miliard�w) s��w. Modele te s� cz�sto okre�lane jako "modele Markowa", poniewa� opieraj� si� na za�o�eniu, �e j�zyk jest �r�d�em Markowa. Model n-gramowy nazywany jest rz�dem modelu n-1 Markowa (na przyk�ad model trygramowy to model 2 Markowa rz�du). W modelu n-gramowym prawdopodobie�stwa s� uwarunkowane poprzednimi s�owami w tek�cie. Formalnie prawdopodobie�stwo wyst�pienia sekwencji S, n s��w, w1 w2 … wn, jest podana przez:

Tutaj w_i nazywa si� przewidywanie i w₁ w₂ … w_i-1 historii. Budowanie modelu j�zyka, kt�ry wykorzystuje pe�n� histori�, mo�e by� kosztowne obliczeniowo. n-gramowe modele j�zykowe przyjmuj� za�o�enie, �e historia jest odpowiednikiem poprzednich s��w n - 1 (zwanych kontekstem warunkowania). Na przyk�ad modele bigram przedstawiaj� nast�puj�ce przybli�enie:

Innymi s�owy, tylko poprzednie s�owo s�u�y do warunkowania prawdopodobie�stwa. Modele Trigram okre�laj� prawdopodobie�stwo dw�ch poprzednich s��w:

Za�o�enia, na kt�rych oparte s� te przybli�enia, nazywane s� "za�o�eniami Markova". Na przyk�ad model bigram zak�ada nast�puj�ce za�o�enie Markowa:

Mog�oby si� wydawa�, �e takie drastyczne za�o�enia mia�yby niekorzystny wp�yw na wydajno�� modeli statystycznych, ale w praktyce modele bigram i trygram zosta�y z powodzeniem zastosowane w wielu dziedzinach, w szczeg�lno�ci w zakresie t�umaczenia maszynowego i rozpoznawania mowy. Kuhn i De Mori wskazuj�, dlaczego to podej�cie jest tak skuteczne: "Nowo�ci� tego podej�cia jest to, �e uwa�a za wa�niejsze trzymanie informacji zawartych w ostatnich kilku s�owach, ni� koncentrowanie si� na sk�adni, kt�ra z definicji obejmuje ca�o�� zdanie. Wysoki procent wypowiedzi i pisania w j�zyku angielskim sk�ada si� z zwrot�w akcji, kt�re pojawiaj� si� ponownie; je�li kto� jest w po�owie jednego z nich, wiemy z niemal pewno�ci�, jakie b�d� jego nast�pne s�owa ". Decyzja co do tego, kt�re za�o�enia daj� lepsze wyniki, jest kwesti� empiryczn�, a nie teoretyczn�

Entropia J�zyka

Ilo�� informacji na s�owo w jakim� zbiorze s��w wynosi:

Mo�na to wykorzysta� do oszacowania entropii j�zyka, w kt�rym do oszacowania prawdopodobie�stw u�ywany jest model j�zyka M opisany w poprzedniej sekcji, a im wi�ksza jest liczba s��w n w korpusie, tym lepsza jest ocena. , H (S, M) jest okre�lana jako entropia krzy�owa j�zyka, poniewa� jest estymatem opartym na modelu M, a nie na prawdziwej entropii.) W klasycznym artykule zatytu�owanym "Prediction and entropia of printed English" opublikowanym w 1951, Shannon oszacowa� entropi� angielskiego na oko�o 1 bit na znak. Metoda szacowania entropii przez Shannona polega�a na tym, aby badani ludzie odgadywali nadchodz�ce postacie na podstawie bezpo�rednio poprzedzaj�cego tekstu. Wybra� 100 losowych pr�bek pobranych od Jeffersona z Virginii Dumasa Malone&primela. Z liczby domys��w dokonanych przez ka�dego badanego, Shannon wyprowadzi� g�rn� i doln� granic� szacunkow� 1,3 i 0,6 bit�w na znak (skr�t "bpc" w skr�cie). Cover & King zauwa�yli, �e procedura odgadywania Shannona dawa�a tylko cz�ciow� informacj� o prawdopodobie�stwach nadchodz�cego symbolu. Prawid�owe odgadni�cie m�wi nam tylko, kt�ry symbol, kt�ry podmiot uwa�a za najbardziej prawdopodobny, a nie o wiele bardziej prawdopodobny ni� inne symbole. Rozwin�li podej�cie hazardowe, w kt�rym ka�dy podmiot uprawia� cz�� obecnego kapita�u na nast�pny symbol. Korzystaj�c ze �redniej wa�onej wszystkich schemat�w zak�ad�w podmiot�w, uda�o im si� uzyska� g�rn� granic� 1,25 bpc. Wydajno�� poszczeg�lnych os�b waha�a si� od 1,29 pz do 1,90 pz. Ok�adka i King omawiaj� znaczenie wyra�enia "entropia angielskiego": "Nale�y zda� sobie spraw�, �e j�zyk angielski jest generowany przez wiele �r�de�, a ka�de �r�d�o ma w�asn� charakterystyczn� entropi�. Operacyjne znaczenie entropii jest jasne. Jest to minimalna oczekiwana liczba bit�w / symboli potrzebnych do scharakteryzowania tekstu. "Podej�cia Shannona, Cover'a i Kinga opiera�y si� na ludziach zgaduj�cych tekst. Inne podej�cia zosta�y oparte na statystycznej analizie cz�stotliwo�ci znak�w i s��w pochodz�cych z tekstu oraz na wydajno�ci modeli komputerowych z wykorzystaniem algorytm�w kompresji. Model Guessing Game Shannona zosta� stworzony w NetLogo, aby zilustrowa�, jak to dzia�a. Model pozwala u�ytkownikowi najpierw za�adowa� tekst treningowy, aby przygotowa� sw�j model statystyczny, a nast�pnie wybra� tekst testowy, aby zagra� w gr� Shannon's Guessing Game. Odbywa si� to po wybraniu maksymalnej g��boko�ci drzewa i maksymalnego rozmiaru tekstu, do �wiczenia na podstawie suwak�w max-tree-depth i max-text-size, a nast�pnie za pomoc� wybieracza which-text, kt�ry znajduje si� w po�owie po lewej stronie NetLogo wniosek o wybranie szkolenia lub testowania tekstu, a nast�pnie klikni�cie przycisku tekstowego load-training-text lub load-testing-text. Nast�pnie u�ytkownik uruchamia gr� Zgadywanie Shannona, klikaj�c przycisk predict-text. Aplikacja nast�pnie wielokrotnie przewiduje ka�dy nadchodz�cy znak po kolei. Na przyk�ad, mo�emy najpierw za�adowa� Jane Austen's Pride and Prejudice jako tekst treningowy. W tym przypadku tekst szkolenia jest nast�puj�cymi postaciami zaczerpni�tymi z pocz�tku ksi��ki Jane Austen: "Jest to prawda powszechnie uznana, �e jeden cz�owiek w posiadaniu szcz�cia musi by� w potrzebie �ony. Jakkolwiek ma�o znane uczucia i pogl�dy takiego cz�owieka mog� by� na jego pierwszym wej�ciu do s�siedztwa, prawda ta jest tak dobrze umiejscowiona w umys�ach otaczaj�cych rodzin, �e uwa�any jest za prawowit� w�asno�� jakiej� jednej lub drugiej z ich c�rek. "Je�li nast�pnie wybierzmy zmys� i wra�liwo�� Jane Austen jako tekst testowy, aplikacja NetLogo b�dzie przewidywa� nadchodz�ce postacie jeden po drugim, u�ywaj�c nast�puj�cej sekwencji zaczerpni�tej z pocz�tku tej ksi��ki:" Rodzina Dashwood od dawna osiada�a w Sussex. Ich maj�tek by� du�y, a ich rezydencja znajdowa�a si� w Norland Park, w centrum ich posiad�o�ci, gdzie od wielu pokole� �yli tak szanowanym sposobem, by wzbudzi� og�ln� dobr� opini� o otaczaj�cej je znajomo�ci. P�nym w�a�cicielem tej posiad�o�ci by� samotny m�czyzna, kt�ry �y� do bardzo zaawansowanego wieku i kt�ry przez wiele lat �ycia mia� sta�� towarzyszk� i gospodyni� w swojej siostrze. "Aplikacja wymienia prognozy dla wszystkich postaci, kt�re ma widoczne wcze�niej, w tym ich liczniki cz�stotliwo�ci i szacowane prawdopodobie�stwa, zgodnie z aktualnym kontekstem (tj. natychmiastowy tekst poprzedzaj�cy) i wynikaj�c� z tego g��bi� w modelu drzewa tekstowego szkolenia. Na przyk�ad, na pocz�tku nie ma wcze�niejszego kontekstu, wi�c tylko predykcje w g�rnej cz�ci drzewa (g��boko�� 0) s� wymienione, jak pokazano na rysunku

W tym przyk�adzie maksymalna g��boko�� drzewa zosta�a ustawiona na 3. Znak spacji zosta� zakodowany jako pierwszy, a nast�pnie zakodowany jest nast�pny znak, znak "T", a nast�pnie znak "h", a nast�pnie "e". i tak dalej. Sytuacj� po przetworzeniu pierwszego znaku (spacja) pokazano na rysunku. Wszystkie prognozy s� wymienione na g��boko�ci 1 i 0, ale nie g��biej, poniewa� nie mamy dalszego kontekstu, na kt�rym mo�na oprze� nasze prognozy. Przewidywania g��bi 1 zawieraj� list� wszystkich znak�w, kt�re wyst�pi�y po kontek�cie pojedynczego znaku zawieraj�cego spacj�. Poniewa� spacja jest cz�sto wyst�puj�c� postaci� w tek�cie angielskim, istnieje wiele przewidywa� - na przyk�ad po spacji znak "o" pojawi� si� 11 razy po spacji w tek�cie szkoleniowym, znak "t" pojawi� si� 10 razy, znak "a" wyst�pi� 7 razy i tak dalej. Te prognozy zosta�y wymienione w porz�dku malej�cej cz�stotliwo�ci. Sytuacja, kt�ra pojawia si� w tym przyk�adzie, polega na tym, �e musimy zakodowa� znak "T", ale to nigdy wcze�niej nie mia�o miejsca w tek�cie szkoleniowym. (Sp�jrz w powy�szy akapit treningowy zaznaczony kursyw� - znak "T" nigdy nie pod��a za znakiem spacji, co jest wynikiem kr�tko�ci tekstu treningowego u�ytego w tym przyk�adzie, w rzeczywisto�ci, w wi�kszym tek�cie treningowym, mo�e wiele wyst�pie�, gdy "T" pod��a za spacj�, na przyk�ad na pocz�tku zdania zaczynaj�cego si� od s�owa "The".) Problem w tym przyk�adzie polega na tym, �e bez prognozy w naszym modelu musimy przypisa� zerowe prawdopodobie�stwo, kt�re spowoduje w niesko�czonej d�ugo�ci kodu od log (0) = ?. Ten problem nazywa si� problemem z zerow� cz�stotliwo�ci� i aby przezwyci�y� ten problem, musimy przypisa� pewne prawdopodobie�stwo zdarzeniom, kt�re nigdy wcze�niej nie mia�y miejsca. Jedna metoda nazywa si� "ucieczk�" lub "wycofaniem si�" - cofamy si� do kr�tszego kontekstu, w kt�rym zwykle jest wi�cej prognoz. Aby to zrobi�, przypisujemy ma�e prawdopodobie�stwo w sytuacjach, w kt�rych b�dziemy musieli uciec - tj. Gdy napotkamy sekwencj�, kt�rej nigdy wcze�niej nie widzieli�my. Proces ten jest r�wnie� nazywany "wyg�adzaniem", poniewa� powoduje to, �e rozk�ad prawdopodobie�stwa jest bardziej jednolity (st�d pow�d jego nazwy), z niskimi (w tym zerowymi) prawdopodobie�stwami zwykle korygowanymi w g�r� i wysokimi prawdopodobie�stwami skorygowanymi w d�. Celem wyg�adzania jest dwojakie: po pierwsze, aby zapewni�, �e prawdopodobie�stwo nigdy nie jest zerowe; a po drugie, maj�c nadziej� poprawi� dok�adno�� modelu statystycznego. Metod� stosowan� do oszacowania prawdopodobie�stwa ucieczki w przyk�adzie (jak zakodowano w modelu gry w odgadywanie gry Shannon′s NetLogo) jest oparcie go na liczbie typ�w, kt�re wyst�pi�y w kontek�cie. Dla danej sekwencji symboli liczba typ�w jest liczb� niepowtarzalnych symboli, kt�re mia�y miejsce, podczas gdy liczba token�w to ca�kowita liczba symboli. Na przyk�ad w sekwencji znak�w "aaaa bbb cc d" istnieje 5 typ�w znak�w - "a", "b", "c", "d" i spacja - w przeciwie�stwie do 13 znak�w �etonowych; dla palindromicznej sekwencji s��w "cz�owiek planem panamskim kana�u" jest 5 typ�w s��w - "a", "cz�owiek", "plan", "kana�" i "panama" - i ��cznie 7 token�w s�ownych. Na powy�szym rysunku dla kontekstu sk�adaj�cego si� z pojedynczej przestrzeni widzimy 22 typy i 69 token�w. Dlatego szacuje si�, �e prawdopodobie�stwo ucieczki wynosi 22/91, a prawdopodobie�stwa dla pozosta�ych znak�w zosta�y dostosowane odpowiednio do ich liczby podzielonej przez 91, a nie 69. Formalnie, prawdopodobie�stwo dla symbolu s w konkretnym kontek�cie C jest obliczane jako nast�puje:

Ta metoda wyg�adzania, wynaleziona przez Alistaira Moffata dla schematu kompresji PPMC, nazywa si� wyg�adzaniem Witten-Bell w literaturze dotycz�cej modelowania j�zyka. W tym przyk�adzie model statystyczny musi cofn�� si� do domy�lnego modelu, w kt�rym wszystkie postacie s� r�wnie prawdopodobne, aby m�c zakodowa� znak "T", poniewa� w tym przypadku nigdy nie by� widziany w sekwencji treningowej. Dlatego koszt kodowania znaku "T" jest 22/91 � 28/400 � 1/256 o wsp�czynniku 28/400 przeznaczonym do kodowania wyj�cia dla kontekstu zerowego (tj. Po prostu przy u�yciu cz�stotliwo�ci znaku zlicza si� na g��boko�ci 0 w drzewie) i 1/256 dla modelu domy�lnego ( gdzie 256 to wielko�� alfabetu). Wymaga to 13,88 bit�w do kodowania jako

-Log 2 (22/91 � 28/400 � 1/256) = 13,88 bit�w.

Rysunek pokazuje dane wyj�ciowe po zakodowaniu pierwszych dziesi�ciu znak�w w sekwencji testowej ("Rodzina").

Kolejny znak, jaki musimy zakodowa� jest "y", a poniewa� nie by�o wida� w kontek�cie g��bi 3 w sekwencji treningowej, musimy uciec z kontekstu, kt�ry znajduje si� na g��boko�ci 3 w drzewie (gdzie by�o tylko jedno poprzednie wyst�pienie, wi�c prawdopodobie�stwo wynosi 1/2), a nast�pnie przez g��boko�� 2 (gdzie ponownie wyst�pi�o tylko jedno poprzednie wyst�pienie, wi�c prawdopodobie�stwo wynosi 1/2) do g��boko�ci 1 (gdzie widzieli�my znak "y" przed , a jego prawdopodobie�stwo to 1/16). Kosztuje to 6 bit�w, aby kodowa� od -log 2 (1/2 � 1/2 � 1 16) = 6. Kolejny model Netlogo o nazwie Language Modeling zosta� opracowany w celu wizualizacji modeli treemodeli. Rysunek pokazuje zrzut ekranu modelu drzewa, kt�ry zosta� przeszkolony na 32 znakach na pocz�tku Sensu i wra�liwo�ci Jane Austen pokazanego powy�ej.

W tym przyk�adzie maksymalna g��boko�� drzewa zosta�a ustawiona na 2. Rysunek pokazuje, �e wi�kszo�� dwuznakowych sekwencji jest unikatowych (tj. Najbardziej zewn�trzne liczby to wszystkie 1), czego mo�na si� spodziewa� ze wzgl�du na kr�tko�� tekstu szkolenia, opr�cz sekwencja "d", kt�ra wyst�puje dwukrotnie (mo�na j� znale�� w lewym g�rnym rogu lub w kierunku NNW na rysunku). Niekt�re pojedyncze znaki wyst�puj� wi�cej ni� jeden raz, powoduj�c efekt rozwijania na g��boko�ci 2 - na przyk�ad, "" wyst�puje 5 razy (patrz �rodkowe prawe po�o�enie), po kt�rym nast�puje 5 r�nych znak�w ("f", "o", " D "," h "i" l "). Aplikacja do modelowania j�zyka zosta�a opracowana w celu obs�ugi modelowania zdarze� na r�nych strumieniach wej�ciowych przy u�yciu podej�cia podobnego do stosowanego w modelu Wall Following Events. W przyk�adzie przedstawionym na rysunku modelowane s� tylko zdarzenia postaci. To wyja�nia ponowne pojawienie si� ci�gu znak�w "char" na ca�ej figurze. Model pozwala tak�e na �adowanie zdarze� s�ownych, jak r�wnie� zdarze� znakowych, d�u�szy rozmiar tekstu do trenowania i ustawienie maksymalnej g��boko�ci drzewa do 8, chocia� wizualizacja tych drzew staje si� znacznie bardziej problematyczna ze wzgl�du na ograniczenia NetLogo �rodowisko i z�o�ono�� produkowanych drzew

Znaczenie komunikacyjne

Ta cz�� koncentruje si� na komunikacji agenta, r�nych typach komunikacji i wa�nej roli, jak� musi pe�ni� komunikacja agent�w w interakcji mi�dzy agentami. Rozdzia� ten mia� mniej do powiedzenia na temat tre�ci komunikat�w przesy�anych mi�dzy agentami. J�zyk s�u�y do definiowania symboli, kt�re przekazuj� znaczenie tych komunikat�w. Celem komunikacji dla nadawcy jest przekazanie znaczenia wiadomo�ci w taki spos�b, aby odbiornik m�g� j� zdekodowa� i odpowiednio zareagowa�. Je�li odbiornik nie jest w stanie tego zrobi�, komunikacja nie powiod�a si� i komunikat zosta� zmarnowany. Znaczenie mo�na zdefiniowa� w nast�puj�cy spos�b. Znaczenie ma znaczenie lub znaczenie komunikatu przekazanego przez jaki� j�zyk, kt�ry agent chce przekaza� innemu agentowi. Podobnie jak w przypadku wszystkich definicji, dok�adniejsza analiza tej roboczej definicji ujawni pewne niedoci�gni�cia. Mo�na zada� dalsze pytania dotycz�ce definicji, takie jak "Jakie jest znaczenie s�owa" wiadomo�� "?" Oraz "Jakie jest znaczenie" ?? Kontynuacja tej linii pyta� prowadzi do niesko�czonego regresu definicji, w kt�rych znaczenie czegokolwiek nigdy nie wydaje si� by� przypi�te dok�adnie w taki spos�b, �e mo�emy na przyk�ad okre�li� znaczenie symboli matematycznych. Charakter znaczenia (i zwi�zane z nim studium semantyki w j�zykoznawstwie) by� dyskutowany i debatowany przez stulecia, i jest przedmiotem wielu zbior�w prac pisemnych i bada� naukowych. Jako ludzie, mo�emy �atwo zrozumie� znaczenie tych s��w, aby�my mogli przyj�� pragmatyczny punkt widzenia, tak jak Turing, sugeruj�c test Turinga dla inteligencji, �e chocia� uzyskanie precyzyjnych definicji znaczenia s��w i j�zyka jest interesuj�c� filozoficzn� pogo�, nie jest to konieczne, poniewa� ludzie mog� bez niej osi�gn�� udan� komunikacj�. Dzieje si� tak, pomimo tego, �e ludzie nigdy nie s� ca�kowicie zgodni co do dok�adnych znacze� symboli, z kt�rymi si� komunikuj�. Ale co by by�o, gdyby�my musieli przekaza� znaczenie wiadomo�ci komu� lub czemu�, co nie by�o ludzkie? Jest to temat Eksperymentu My�lowego

Eksperyment My�lowy: Komunikacja z kosmitami

Rozwa�my problem, jak przekaza� wiadomo�� obcemu. W tym ustawieniu przyjmijmy, �e nie ma wsp�lnej podstawy dla zrozumienia znaczenia wiadomo�ci. Oznacza to, �e musimy przekaza� znaczenie symboli w komunikacie, a tak�e same symbole. Na przyk�ad, mo�emy chcie� przekaza� nast�puj�cy komunikat: "Nie otwieraj". Tak taki scenariusz wyst�pi� w filmie Alien Hunter, ale z lekkim akcentem - my (ludzie) byli�my tymi, kt�rzy potrzebowali rozszyfrowa� wiadomo��, kosmici byli tymi, kt�rzy chcieli to przekaza�. Grupa naukowc�w odkry�a du�y metalowy przedmiot pochodzenia obcego, zamro�ony w lodzie na Antarktydzie, kt�ry wysy�a� jak�� wiadomo�� radiow�. Jeden z naukowc�w ostatecznie rozszyfrowa� wiadomo��, ale dopiero po tym, jak niekt�rzy inni naukowcy w�a�nie otworzyli obiekt - fraza "Nie otwieraj" by�a powtarzana w k�ko w wiadomo�ci radiowej. Pytanie jest nast�puj�ce. Jak mo�emy przekaza� nawet tak prost� wiadomo��, jak "Nie otwieraj", gdy nie wiemy, w jakim j�zyku stw�r otrzymuj�cy wiadomo�� b�dzie w stanie j� zrozumie�? Mo�emy nie zna� zdolno�ci poznawczych odbiorc�w, ich t�a kulturowego, a nawet ich zdolno�ci zmys�owych, a zatem maj� bardzo ma�o wsp�lnych ram odniesienia, z kt�rymi mo�na si� komunikowa�. J�zyk wymaga komunikacji poj�� - to znaczy znaczenia symboli przekazywanych w wiadomo�ci. W szczeg�lno�ci, w jaki spos�b mo�emy przekaza� koncepcj� "otwartego", na przyk�ad, lub poj�cia "nie"? Astronomowie Carl Sagan i Frank Drake stan�li twarz� w twarz z tym problemem na pocz�tku lat siedemdziesi�tych, kiedy zdecydowali, jakie wiadomo�ci umie�ci� na statku kosmicznym Pioneer - pierwszych przedmiotach ludzkiej produkcji, kt�re opu�ci�y Uk�ad S�oneczny. Postanowili wykorzysta� obrazkow� wiadomo�� zawieraj�c� nagie postacie istot ludzkich wraz z kilkoma symbolami, aby przekaza� informacje o tym, sk�d wzi�� si� statek kosmiczny. Przes�ania zosta�y skrytykowane przez innych ludzi za zbyt humanistyczne i trudne do zrozumienia, nawet dla ludzi. Nawet cz�ci naj�atwiejszych do zrozumienia dla ludzi - strza�ka pokazuj�ca trajektori� statku kosmicznego - mog� by� nieczytelne dla obcej kultury, poniewa� symbol strza�ki jest wytworem spo�eczno�ci �owiecko-zbierackich powszechnych na Ziemi. Komunikacja z kosmitami jest oczywi�cie hipotetyczn� sytuacj�. Nie jest pewne, czy istniej� jakie� istoty pozaziemskie, czy te� istniej�, czy potrafi� si� z nami komunikowa� - w ko�cu znale�li�my bardzo ma�o dowod�w na istnienie istot pozaziemskich w innych cz�ciach wszech�wiata, nawet po dziesi�cioleciach. wyszukiwania za pomoc� zaawansowanych komputer�w. Seti @ home to projekt przetwarzania rozproszonego, kt�ry wykorzystuje bezczynne komputery w Internecie do wyszukiwania dowod�w na pozaziemsk� inteligencj�. Od daty premiery 17 maja 1999 r. Rejestruje ponad 10 milion�w lat czasu komputerowego i obecnie korzysta z ponad 300 000 komputer�w w ponad 200 krajach. Jednak projekt nie dostarczy� �adnych dowod�w, mimo �e dzia�a� przez ponad dziesi�� lat. Jednak�e wszelk� komunikacj� mi�dzy lud�mi mo�na uzna� za posiadaj�c� pewien stopie� "obco�ci" w nast�puj�cym sensie. Kiedykolwiek rozmawiamy z innym cz�owiekiem, cz�sto musimy wyja�nia� znaczenia poj��, kt�re s� nam nieznane lub obce, lub wyja�nia� poj�cia, kt�re s� rozumiane na r�ne sposoby. Je�li j�zyki nadawcy i odbiorcy s� r�ne - na przyk�ad rozmowa mi�dzy kim� z Walii, kt�ry g��wnie m�wi po walijsku i kim� z Afryki, kt�ry g��wnie m�wi po suahili, lub g�uchym, kt�ry zna j�zyk migowy, a osob�, kt�ra tego nie robi - to d�u�ej wyja�nienia s� wymagane cz�ciej w trakcie rozmowy. Trudno�� z kosmitami polega jednak na tym, �e mo�emy stan�� przed problemem wyja�nienia znaczenia wszystkiego, co chcemy przekaza�. Problem komunikacji z obcym jest podobny do problemu komunikacji z nowo odkrytym plemieniem, na przyk�ad w Papui Nowej Gwinei, kt�re zosta�o odizolowane od reszty ludzko�ci. Problem ten zosta� rozwa�ony przez XX-wiecznego filozofa W. Quine'a, kt�ry nazwa� to radykalnym t�umaczeniem. Powstaje trudno�� w komunikowaniu si�, czy to z izolowanym plemieniem, czy obcym gatunkiem, kiedy by� mo�e nawet jedno s�owo j�zyka, kt�rego u�ywa nadawca, nie jest zrozumiane z g�ry. Zasadniczo jest to problem, z kt�rym stykaj� si� projektanci system�w rozumienia tekstu i mowy, poniewa� mo�emy uwa�a� "obcego" agenta za system komputerowy, a ludzki agent - tego, kt�ry wytworzy� tekst lub mow�, kt�re nale�y zrozumie�. Jak stwierdzono wcze�niej, znaczna cz�� j�zyka sk�ada si� z metafory poj�ciowej i analogii. Lakoff i Johnson w swojej ksi��ce "Metafory, w kt�rej �yjemy", podkre�laj� wa�n� rol�, jak� metafora poj�ciowa odgrywa w j�zyku naturalnym i jak jest ona zwi�zana z naszymi fizycznymi do�wiadczeniami. Twierdz�, �e metafora to nie tylko urz�dzenie poetyckiej wyobra�ni, ale "jest wszechobecna nie tylko w j�zyku potocznym, ale w naszych my�lach i dzia�aniu", b�d�c podstawow� cech� ludzkiego systemu poj�ciowego. Twierdz� oni, �e "Istot� metafory jest zrozumienie i do�wiadczanie jednego rodzaju rzeczy w kategoriach innego". Twierdz� oni, �e wi�kszo�� naszego systemu przetwarzania my�li ma charakter poj�ciowy i �e ludzie u�ywaj� metaforycznych poj�� znacznie cz�ciej ni� im si� wydaje. Metafory s� zwi�zane z naszym fizycznym uciele�nieniem w prawdziwym �wiecie. Celem urz�dzenia metaforycznego jest podkre�lanie podobie�stw i ukrywanie r�nic mi�dzy pokrewnymi poj�ciami. Dla tych ludzi poj�cie, �e argument jest zwi�zany z aktem wojny, jest obce - zamiast tego nacisk w jakiejkolwiek konfrontacji lub argumentacji jest po�o�ony na aktywn� wsp�prac� uczestnik�w. Celem nie jest niszczenie nawzajem swoich argument�w, ale aktywne rozwijanie swoich punkt�w widzenia i / lub ich w�asnej wiedzy i zrozumienia. Podobnie jest w przypadku, gdy dwoje ludzi ta�czy razem, jest artystycznie bardziej poci�gaj�ca ni� dwoje ludzi ta�cz�cych oddzielnie i niezale�nie. W rozmowach ci ludzie mogliby powiedzie� takie rzeczy jak: "W po��czeniu z jego argumentem", "Nasze argumenty by�y nie na miejscu" i "Podj��em jego krytyk� i przetoczy�em je dalej". Dla nas pocz�tkowo wydawa�oby si� to dziwne, dop�ki nie zrozumieli�my podstawowej metafory poj�ciowej J�zyk ludzki ma zdolno�� przekazywania wielu znacze� na kilku poziomach. Ka�dy z nich wsp�dzia�a, aby zapewni� co�, co jest wi�ksze ni� suma jego cz�ci. Czasami czytelnik lub s�uchacz znajduje znaczenie, kt�rego nie zamierzali nawet autor (autorzy). J�zyk r�wnie� ujawnia wiele informacji o my�lach zachodz�cych w umys�ach autora (-�w) - tego, co wiedz� i czego nie wiedz�; ich wierzenia; ich upodobania lub antypatie; ich opinie; ich nadzieje i l�ki; co szanuj� i wysoko ceni�, lub czego nie okazuj� szacunku i maj� pogard�; na co oni popieraj� lub s� przeciwni; ich pragnienia / potrzeby / potrzeby; i ich intencje.

Podsumowanie

Agenty wykazuj� zachowania komunikacyjne, gdy pr�buj� przekaza� informacje innym agentom. J�zyk to zbi�r symboli u�ywanych przez agent�w do przekazywania informacji. Ludzie u�ywaj� wielu form komunikowania si�, a ich j�zyk jest r�norodny i bogaty w znaczenie. Komunikacja mi�dzy lud�mi rozprzestrzenia si� za po�rednictwem sieci spo�eczno�ciowych. Podsumowanie wa�nych poj��, kt�re nale�y wyci�gn�� z tego rozdzia�u, pokazano poni�ej:

• Entropia jest sum� prawdopodobie�stw pomno�onych przez log prawdopodobie�stw rozk�adu prawdopodobie�stwa. Mo�e by� stosowany jako �rodek do pomiaru tre�ci informacyjnej w wiadomo�ciach.
• J�zyk jest definiowany przez zestaw regu� wsp�u�ytkowanych spo�ecznie, kt�re definiuj� powszechnie akceptowane symbole, ich znaczenie i ich zwi�zki strukturalne okre�lone przez zasady gramatyki.
• J�zyk ludzki wyst�puje w wielu formach i jest niezwykle r�norodny.
• Modelowanie j�zyka to mechanizm okre�lania prawdopodobie�stw warunkowych dla symboli w j�zyku.
• Entropi� j�zyka mo�na oszacowa� na podstawie du�ego korpusu tekstu reprezentatywnego dla danego j�zyka.
• Sieci spo�eczno�ciowe odgrywaj� kluczow� rol� w rozpowszechnianiu komunikacji mi�dzy lud�mi.
• Zjawisko ma�ego �wiata jest wa�n� cech� charakterystyczn� sieci spo�ecznych i komputerowych.

• Celem komunikacji jest przekazanie znaczenia przekazywanej wiadomo�ci. Znaczenie przekazywane w wiadomo�ciach dla ludzi jest z�o�one i wielowarstwowe oraz stanowi obszar, kt�ry stanowi ci�g�e wyzwanie dla bada� nad sztuczn� inteligencj�.

Wyszukiwanie

"Poszukiwanie jest fundamentalne dla inteligentnego zachowania, nie jest to tylko inna metoda czy mechanizm kognitywny, ale fundamentalny proces." Je�li jest co�, co sztuczna inteligencja przyczyni�a si� do naszego zrozumienia inteligencji, odkrywa, �e wyszukiwanie to nie tylko jedna metoda po�r�d wielu, kt�re mog� by� u�yte do osi�gni�cia cel�w, ale jest najbardziej podstawow� metod� ze wszystkich. " - Allen Newell (1994).

Zachowanie wyszukiwania

W badaniach nad sztuczn� inteligencj� powszechnie uznaje si�, �e wyszukiwanie ma kluczowe znaczenie dla budowy inteligentnych system�w i projektowania inteligentnych agent�w. Na przyk�ad Newell stwierdzi�, �e poszukiwanie jest fundamentalne dla inteligentnego zachowania. Z perspektywy behawioralnej wyszukiwanie mo�e by� uznane za meta-zachowanie, w kt�rym agent podejmuje decyzj�, kt�re zachowanie nale�y do zestawu mo�liwych zachowa� do wykonania w danej sytuacji. Innymi s�owy, mo�na go zdefiniowa� jako proces behawioralny, kt�ry agent stosuje, aby podejmowa� decyzje dotycz�ce wyboru dzia�a�, kt�re powinien wykona�, aby wykona� okre�lone zadanie. Zadanie mo�e obejmowa� wy�sze poziomy zachowa� poznawczych, takie jak uczenie si�, strategia, wyznaczanie cel�w, planowanie i modelowanie (nazywane by�y wyborem akcji w modelu Boyn�w Reynoldsa). Je�li nie ma decyzji do podj�cia, wyszukiwanie nie jest wymagane. Je�li agent ju� wie, �e okre�lony zestaw dzia�a� lub zachowania jest odpowiedni dla danej sytuacji, nie ma potrzeby poszukiwania odpowiedniego zachowania, a zatem dzia�ania mo�na zastosowa� bez podejmowania jakiejkolwiek decyzji. Wyszukiwanie mo�e by� uwa�ane za zachowanie, kt�re agent wykazuje, gdy ma niewystarczaj�c� wiedz�, aby rozwi�za� problem. Problem jest okre�lony przez aktualn� sytuacj� agenta, kt�ra jest okre�lona przez warunki �rodowiskowe, w�asne okoliczno�ci i wiedz�, kt�r� agent obecnie ma do dyspozycji. Je�li agent nie ma wystarczaj�cej wiedzy, aby rozwi�za� dany problem, mo�e zdecydowa� si� na poszukiwanie dalszej wiedzy na temat problemu. Je�li ma ju� wystarczaj�c� wiedz�, nie b�dzie musia� stosowa� zachowania w celu rozwi�zania problemu. Agent u�ywa zachowania zwi�zanego z wyszukiwaniem, aby odpowiedzie� na pytanie, na kt�re nie zna odpowiedzi lub uko�czy� zadania, kt�rego nie potrafi wykona�. Agent musi eksplorowa� �rodowisko, pod��aj�c za wi�cej ni� jedn� �cie�k�, aby uzyska� t� wiedz�. Eksploracja �rodowiska odbywa si� w spos�b analogiczny do wczesnych odkrywc�w kontynent�w ameryka�skich lub australijskich lub os�b odkrywaj�cych labirynt w ogrodzie, takich jak Labirynt Pa�acu Hampton Court lub Labirynt Chevening House. W przypadku dw�ch labirynt�w ogrodowych, osoby pr�buj�ce dosta� si� do �rodka labiryntu musz� zastosowa� zachowanie poszukiwawcze, je�li nie maj� wiedzy o tym, gdzie to jest. Je�li jednak wykonaj� z nimi map�, nie musz� ju� korzysta� z wyszukiwania zachowanie, gdy mapa dostarcza im informacji o tym, kt�re �cie�ki pokona�, aby dotrze� do centrum. Pierwsi ameryka�scy odkrywcy, Lewis i Clark, zostali poinstruowani przez Thomasa Jeffersona, by zbada� Missouri i znalaz� drog� wodn� przez kontynent do Pacyfiku. Nie wiedzieli ju�, jak du�y jest kontynent lub co tam by�o i potrzebowali fizycznie zbada� kraj. Wybrali kierunek w kierunku zachodnim, p�nocno-zachodnim, wzd�u� �cie�ki wzd�u� rzeki Missouri. Podobnie australijscy odkrywcy Burke i Wills poprowadzili ekspedycj� rozpoczynaj�c� si� od Melbourne w celu dotarcia do Zatoki Carpentaria. Ziemia w tym czasie musia�a zosta� zbadana przez europejskich osadnik�w. Wyprawa uniemo�liwia�a osi�gni�cie ostatecznego celu, zaledwie trzy mile od p�nocnej linii brzegowej z powodu bagien namorzynowych, a co gorsza, przyw�dcy ekspedycji zgin�li w drodze powrotnej. Podczas wyszukiwania agent mo�e przyj�� r�ne zachowania, kt�re okre�laj� spos�b wyszukiwania. Przyj�te zachowanie wyszukiwania mo�e mie� znacz�cy wp�yw na skuteczno�� wyszukiwania. Na przyk�ad z�e przyw�dztwo zosta�o obwiniane za nieudan� wypraw� Burke'a i Willsa. Zachowanie mo�e by� uwa�ane za strategi� przyj�t� przez agenta podczas przeprowadzania wyszukiwania. Te zachowania zwi�zane z wyszukiwaniem mo�emy rozpatrywa� z perspektywy uciele�nionego agenta. Typ zachowania wyszukiwania jest okre�lany zar�wno przez przyk�ad wykonania agenta, jak i to, czy agent stosuje reaktywne lub bardziej poznawcze zachowanie podczas wykonywania wyszukiwania. Widzieli�my ju� wiele przyk�ad�w tego, w jaki spos�b agent mo�e przeprowadzi� wyszukiwanie w �rodowisku jako efekt uboczny zastosowania czysto reaktywnego zachowania. Mo�emy okre�li� te typy zachowa� wyszukiwania jako reaktywne wyszukiwanie. Mo�emy r�wnie� u�y� terminu wyszukiwanie poznawcze w przypadkach, w kt�rych agent ma zdolno�� rozpoznania, �e istnieje wyb�r, gdy wyb�r pojawia si� w �rodowisku (np. Gdy agent osi�ga skrzy�owanie w labiryncie). Ten akt rozpoznawania jest podstawow� cz�ci� poznawczych zachowa� poszukiwawczych i jest zwi�zany z sytuacj�, w kt�rej znajduje si� agent, sposobem poruszania si� jego cia�a i interakcji ze �rodowiskiem. Jest to r�wnie� zwi�zane z tym, co dzieje si� w �rodowisku zewn�trznym i / lub co dzieje si� z innymi agentami w tym samym �rodowisku, je�li takie istniej�. Ponadto do wykonania dowolnego wyszukiwania mo�na u�y� pojedynczego agenta, ale nic nie powstrzymuje nas przed u�yciem wi�cej ni� jednego agenta do wykonania wyszukiwania. Mo�emy przyj�� perspektyw� z wieloma agentami, aby opisa�, w jaki spos�b mo�na przeprowadzi� poszczeg�lne wyszukiwania, aby wyja�ni�, w jaki spos�b r�ni� si� wyszukiwania. W tym przypadku skuteczno�� okre�lonego wyszukiwania mo�na oceni�, por�wnuj�c liczb� agent�w potrzebnych do przeprowadzenia wyszukiwania i ilo�� informacji, kt�re s� mi�dzy nimi przekazywane.

Problemy z wyszukiwaniem

Istnieje wiele problem�w wymagaj�cych wyszukiwania o r�nym stopniu trudno�ci. Uproszczone lub "zabawkowe" problemy to w wi�kszo�ci problemy syntetyczne i niezwi�zane z rzeczywistym �yciem. Jednak problemy te mog� by� przydatne dla projektant�w w uzyskaniu wgl�du w problem wyszukiwania. Po zbadaniu w�a�ciwo�ci r�nych zachowa� dotycz�cych wyszukiwania w przypadku problem�w z zabawkami, mo�na je dostosowa� i / lub dostosowa� do rzeczywistych problem�w. Aby zilustrowa� r�ne problemy z wyszukiwaniem, w tej sekcji opisano trzy problemy, kt�re zosta�y w szczeg�lno�ci symulowane w NetLogo - s� to model Mazury, model Misjonarzy i Cannibal oraz model Wyszukiwanie Kevina Bacona. S� to problemy z zabawkami nie dlatego, �e s� sztucznymi problemami, ale z powodu ich wzgl�dnej prostoty. Zapewniaj� one jednak u�yteczne stanowiska testowe podczas opracowywania i oceny skuteczno�ci r�nych zachowa� zwi�zanych z wyszukiwaniem, poniewa� mo�emy ich u�y� do por�wnania skuteczno�ci ka�dego z nich. Nast�pnie dzi�ki tym informacjom mo�emy przyst�pi� do rozwi�zywania znacznie wi�kszych lub trudniejszych problem�w zwi�zanych z wyszukiwaniem. Klasycznym problemem z zabawkami, cz�sto wykorzystywanym do zademonstrowania aspekt�w poszukiwa�, jest problem misjonarzy i kanibali. W tym dylemacie jest trzech misjonarzy i trzech kanibali. Chc�, aby wszyscy przeszli przez rzek�, u�ywaj�c kajaka, kt�ry ma tylko dwie osoby, ale problem polega na tym, �e je�li kanibale kiedykolwiek b�d� przewy�sza� liczb� misjonarzy na dowolnym etapie, wtedy kanibale zjedz� misjonarzy. Rysunek poni�ej pokazuje kilka zrzut�w ekranu z animacji dostarczonych przez misjonarzy i model Cannibals NetLogo , kt�ry demonstruje rozwi�zanie problemu.

G�rny obraz przedstawia stan pocz�tkowy, z trzema misjonarzami, trzema kanibalami i cz�nem po lewej stronie rzeki. Osoby w szarym kolorze reprezentuj� misjonarzy, a osoby w czerwonych barwach reprezentuj� kanibali. �rodkowy obraz przedstawia stan po�redni, w kt�rym po lewej stronie znajduje si� jeden misjonarz i jeden kanibal, w po�owie drogi przez rzek� jest dw�ch misjonarzy, a po prawej stronie rzeki s� dwaj kanibale. Dolny obraz przedstawia ostateczny stan po��dany lub docelowy, w kt�rym wszyscy trafiaj� na praw� stron�. Szukanie ludzi to problem, kt�ry cz�sto pojawia si� w prawdziwym �yciu. Ma to r�wnie� wp�yw na wiele problem�w sieci komputerowych, na przyk�ad wykrywanie zasob�w w sieciach typu peer-to-peer, w kt�rych musi znajdowa� si� okre�lony zas�b, taki jak plik lub komputer o okre�lonych wymaganiach procesora. Model wyszukiwania Kevina Bacona symuluje ten problem, tworz�c sieci losowe, jak pokazano na rysunku poni�ej

Okre�lony w�ze� w sieci jest okre�lony jako stan po��dany lub docelowy - jest to pokazane przez w�ze� narysowany jako gwiazda na �rodku obrazu. Wyszukiwanie rozpoczyna si� od losowego w�z�a w sieci - dla pokazanego obrazu w�z�em pocz�tkowym by� w�ze� b154 w �rodkowym prawym rogu obrazu. W tym scenariuszu analogi� do prawdziwego problemu z �yciem jest sala pe�na student�w, w kt�rej celem jest przekazanie okre�lonego przedmiotu, np. Notatki od osoby do osoby, a� dotrze ona do zamierzonego odbiorcy. Rozbie�no�� w rzeczywistym problemie pojawia si�, gdy agenci w symulacji (reprezentowani jako w�z�y w sieci) maj� okre�lone ograniczenia dotycz�ce ich zdolno�ci sensorycznych, kt�re sprawiaj�, �e symulacja jest bardziej analogiczna do wyszukiwania w sieciach komputerowych. W tym przypadku agenci s� "�lepi" w tym sensie, �e nie maj� poj�cia o globalnej konfiguracji sieci i maj� jedynie lokaln� wiedz� o tym, co jest bezpo�rednio wok� nich (tj. Znaj� tylko ��cza do s�siednich w�z��w). Ponadto agenci nie wiedz�, gdzie znajduje si� w�ze� gwiazdy. Problem wyszukiwania mo�na scharakteryzowa� jako czynnik eksploruj�cy automat sko�czony w przestrzeni n-wymiarowej. Jeden lub wi�cej stan�w jest okre�lanych jako stany pocz�tkowe - to jest lokalizacja, w kt�rej agenci wykonuj�cy wyszukiwanie najpierw wybieraj� si� na swoje poszukiwania. Te stany pocz�tkowe s� po��czone z innymi stanami po�rednimi, kt�re z kolei s� po��czone z kolejnymi stanami itd. ostatecznie po��czenia b�d� prowadzi� do po��danych lub docelowych stan�w po zako�czeniu wyszukiwania, w przeciwie�stwie do sytuacji modelowanej w poszukiwaniu modelu Kevina Bacona. Wyszukiwanie jest wymagane, gdy agenci nie wiedz�, jak dosta� si� do po��danych stan�w lub chc� znale�� najkr�tsz� �cie�k� do ��danych stan�w. Je�li znaj� ju� �cie�k�, wyszukiwanie nie jest wymagane. W przeciwnym razie musz� zbada� automat sko�czony, dop�ki nie znajd� po��danego stanu lub dop�ki nie znajd� najkr�tszej �cie�ki.

Niedoinformowane (�lepe) wyszukiwanie

Wyszukiwanie niedoinformowane lub �lepe nast�puje, gdy agent nie ma informacji o szukanym �rodowisku. Prawdziw� analogi� do tego typu poszukiwa� jest �lepa osoba szukaj�ca labiryntu, w kt�rym nigdy wcze�niej nie by�, bez wcze�niejszej znajomo�ci jego wymiar�w czy miejsca pobytu w centrum lub wyj�cia z labiryntu. Jednym podej�ciem, kt�re mo�e podj�� "�lepy" agent wyszukiwania, jest kontynuowanie dokonywania jednego konkretnego wyboru na ka�dym skrzy�owaniu, z kt�rym si� spotyka, i kontynuowanie a� do momentu, gdy dotrze do wyj�cia lub centrum (celu) lub dop�ki nie osi�gnie �lepego zau�ka. Je�li to drugie, mo�e on nast�pnie wr�ci� do ostatniego skrzy�owania, kt�re odwiedzi�, ma �cie�ki, kt�rych jeszcze nie przeszukiwa�, a nast�pnie wybiera jedn� z nich. Wielokrotnie stosuje to zachowanie, dop�ki cel nie zostanie osi�gni�ty. Ten agent ma jeszcze jedn� mo�liwo�� wyboru - kolejno��, kt�r� wybiera, by pod��a� �cie�kami. M�g� na przyk�ad wybra� losowe �cie�ki, albo m�g� zawsze najpierw pod��a� za pierwsz� ga��zi� po swojej prawej stronie, a nast�pnie �ledzi� kolejne ga��zie zgodnie z ruchem wskaz�wek zegara. Ten typ wyszukiwania nazywa si� najpierw g��bokim wyszukiwaniem. Aby upro�ci� poni�sz� dyskusj� oraz wyja�ni� rozwi�zania oparte na wielu agentach, kt�re zosta�y opracowane dla modeli NetLogo opisane poni�ej, odejdziemy od rzeczywistej analogii pojedynczego agenta wykonuj�cego wyszukiwanie w nast�puj�cy spos�b. Na ka�dym skrzy�owaniu lub punkcie decyzyjnym w wyszukiwaniu, zamiast samego agenta, kt�ry kontynuuje wyszukiwanie wzd�u� pojedynczej �cie�ki, zapewniamy agentowi mo�liwo�� wysy�ania w�asnych klon�w wzd�u� wszystkich �cie�ek, kt�re znajdzie. W procesie klonowania si� on nast�pnie umrze. W przypadku pierwszego wyszukiwania, jeden z nowo sklonowanych agent�w zostanie wybrany, aby kontynuowa� wyszukiwanie, podczas gdy pozostali siedz� i czekaj�, na wypadek, gdyby byli potrzebni w p�niejszym czasie. Ten proces tworzenia klon�w, a nast�pnie wybieranie jednego z klon�w w celu dalszego wyszukiwania trwa do momentu osi�gni�cia celu lub �lepego zau�ka. Je�li to drugie, klon zginie bez tworzenia kolejnych klon�w, a wyszukiwanie b�dzie kontynuowane z klonem, kt�ry czeka� najkr�cej. Zilustrowano to na rysunku , kt�ry pokazuje pierwsze wyszukiwanie G��bokiego Modelu Bacinonu

W prawym g�rnym rogu pojedynczy agent zaczyna od lewego dolnego w�z�a oznaczonego etykiet� b26 i pr�buje wyszuka� w�ze� celu narysowany jako bia�a gwiazda. Agent ten nast�pnie przechodzi do w�z�a b14 po klonowaniu si� jeden raz, a nast�pnie tworzy dwa w�asne klony, poniewa� istniej� kolejne dwie mo�liwe �cie�ki do na�ladowania (do w�z��w b5 i b23), jak pokazano w prawym g�rnym obrazie. Nast�pnie umiera i wyszukiwanie jest kontynuowane przez jeden z agent�w, w tym przypadku agent w w�le b5. Wyszukiwanie kontynuuje wzd�u� nag��wka ga��zi b5 przez szcz�cie w kierunku w�z�a celu, a� osi�gnie w�ze� b3, jak pokazano w lewym dolnym obrazie. Nast�pnie wybierany jest jeden klon, aby przeszuka� boczn� �cie�k�, kt�ra kieruje si� na p�noc w punkcie b8, ale gdy ta �cie�ka zostanie ca�kowicie przeszukana, klon na b1 przejmuje i ostatecznie w�ze� celu zostaje osi�gni�ty, jak pokazano na prawym dolnym obrazie. Oczywist� modyfikacj� tego typu wyszukiwania jest umo�liwienie przeszukiwania jednocze�nie wi�cej ni� jednego klonu agenta. Innymi s�owy, zamiast pojedynczego klona wykonuj�cego wyszukiwanie samodzielnie, mo�emy wys�a� wszystkie klony, aby r�wnolegle wyszukiwa� razem. Ten rodzaj wyszukiwania nazywa si� najpierw szerokim wyszukiwaniem. Spos�b przeszukiwania sieci w poszukiwaniu modelu Kevina Bacona przy u�yciu pierwszego wyszukiwania szeroko�ci pokazano na rysunku

Lewy obraz to zrzut ekranu podczas po�redniej cz�ci wyszukiwania. Prawy obrazek pokazuje wyszukiwanie po zako�czeniu. Aby zrozumie� fundamentalne r�nice mi�dzy tymi dwoma r�nymi rodzajami poszukiwa�, mo�emy pomy�le� o analogii wyprawy Lewisa i Clarka badaj�cej ameryka�ski kontynent po rzece Missouri i jej dop�ywach. W miar� post�p�w "granica" ich wiedzy "rozwija�aby si�". Gdyby ta ekspedycja przyj�a pierwsze poszukiwania w zakresie g��boko�ci, granica rozszerzy�aby si�, pod��aj�c za jednym konkretnym odga��zieniem rzeki - coraz g��biej w d� w jednym oddziale. Je�li dop�yw zatrzyma� si�, ekspedycja powr�ci�aby do ostatniego skrzy�owania i zacz�a szuka� alternatywnej �cie�ki. Nawi�zuj�c do powy�szej analogii, klony mog� by� uwa�ane za lokalizacje przesz�ych ja�ni, do kt�rych powracaj�, gdy jedna �cie�ka zako�czy�a si� niepowodzeniem. Z drugiej strony wyprawa przyjmuje polityk� dzielenia zespo�u, aby przeszukiwa� alternatywne ga��zie w tym samym czasie. W tym przypadku granica rozszerza si� na zewn�trz tym samym tempie, podobnie jak falowanie rozszerza si� r�wnomiernie na zewn�trz, gdy kamyk wrzuca si� do stawu. U�ywaj�c innej analogii, poszerzaj�c� si� granic� mo�na uwa�a� za "drzewo", z korzeniami coraz g��biej wnikaj�cymi w gleb�. W przypadku pierwszego wyszukiwania jeden root jest narastaj�cy naraz, a to staje si� coraz g��bsze (st�d dlaczego ten szczeg�lny rodzaj wyszukiwania nazywany jest wyszukiwaniem od pocz�tku do g��boko�ci), dop�ki nie zablokuje go pod�o�e skalne. W przypadku pierwszego wyszukiwania wszystkie korzenie rosn� w podobnym tempie i r�wnomiernie rosn� w d�. Mo�emy przyjrze� si� modelowi Searching Mazes, aby dok�adniej zilustrowa� r�nice mi�dzy tymi dwoma wyszukiwaniami. Mo�emy wybra� pusty labirynt do przeszukania, a nast�pnie ustawi� move-forward-behaviour i move-forward- behaviour-after-turning, choosera na move-forward-n-steps-unlesshit- wall a tak�e ustawienie suwaka move-forward-step-amount na 2. Zapewni to, �e wyszukiwanie rozszerzy si� do pustej przestrzeni tylko o 2 kroki naraz, jak pokazano na zrzutach ekranu z rysunku

Graficznie ilustruj� r�nice mi�dzy dwoma wyszukiwaniami. G��bokie pierwsze wyszukiwanie jest oportunistyczne, zmierzaj�c w dowolnie wybranym przez siebie kierunku, podczas gdy pierwsze wyszukiwanie jest dok�adniejsze, a ka�da mo�liwo�� jest przeszukana, zanim przejdzie dalej. Terminy "granica", "drzewo" i "rozszerzenie wyszukiwania" s� cz�sto u�ywane do opisu wyszukiwania. Mo�liwe �cie�ki w wyszukiwaniu mog� by� traktowane jak drzewo wyszukiwania przy u�yciu analogii ga��zi i li�ci - to znaczy, analogia do drzewa rosn�cego nad ziemi�, a nie do korzeni rosn�cych w glebie jak wy�ej. W tym przypadku granica wyszukiwania mo�e by� traktowana jako w�z�y li�cia drzewa. S� to w�z�y drzewa, kt�re nale�y nast�pnie przeszuka�. Dla ka�dego w�z�a li�ci istnieje zdefiniowany zestaw mo�liwych w�z��w, kt�re mo�na rozszerzy�. Na przyk�ad dla lewego g�rnego obrazu na powy�szym rysunku zbi�r rozszerzonych w�z��w dla w�z�a b14 to {b5, b23, b26}. Mimo �e pochodzi on w�a�nie z w�z�a b26, nic nie stoi na przeszkodzie, aby wyszukiwanie powr�ci�o do miejsca, z kt�rego pochodzi, chyba �e wyszukiwanie wyra�nie uniemo�liwia ponowne odwiedzanie w�z��w. Zalet� nie ponownego odwiedzania w�z��w jest to, �e wyszukiwanie nie b�dzie marnowa�o czasu przeszukiwania na co�, co ju� przeszuka�o; jednak wad� jest to, �e musi rejestrowa�, gdzie by�. W niekt�rych aplikacjach, w kt�rych wyst�puje bardzo du�a liczba w�z��w do odwiedzenia (na przyk�ad roboty indeksuj�ce musz� odwiedza� miliardy w�z��w), przechowywanie zestawu ju� odwiedzonych w�z��w mo�e by� kosztowne i stanowi� powa�ne problemy in�ynieryjne. Wszystkie trzy modele NetLogo zapewniaj� prze��cznik interfejsu, kt�ry ustawia zmienne allow-revisited-states, aby w��czy� lub wy��czy� ponowne odwiedzanie w�z��w. Modele r�wnie� utrzymuj� globaln� zmienn� o nazwie visited-nodes, kt�ra jest list� wszystkich ju� odwiedzonych w�z��w. To, czy ponowne odwiedzanie w�z��w jest dozwolone czy nie, jest wa�nym czynnikiem wp�ywaj�cym na skuteczno�� r�nych wyszukiwa�. Jest to widoczne na przyk�adzie modelu Misjonarzy i Kanibali, na przyk�ad w przypadku niekt�rych wyszukiwa� wymagaj�cych znacznie wi�kszej liczby agent�w wyszukuj�cych, aby uko�czy� wyszukiwanie lub w niekt�rych przypadkach wyszukiwanie nie zako�czy�o si� w og�le. Rysunek 8.6 pokazuje zrzut ekranu modelu Misjonarzy i Cannibal dla pierwszego wyszukiwania z dozwolonym powt�rk�.

Model pokazuje wykonanie wyszukiwania w miar� jego kontynuacji - ka�da iteracja jest wy�wietlana po naci�ni�ciu przycisku go once" w interfejsie. W tym przypadku mo�emy przedstawi� stan, w kt�rym wyszukiwanie osi�gn�o za pomoc� krotki zawieraj�cej trzy liczby - liczb� misjonarzy po lewej stronie rzeki (0 do 3), liczb� kanibali po lewej stronie (od 0 do 3) ), a liczba kajak�w po lewej stronie (1 lub 0). Na przyk�ad stan pocz�tkowy jest reprezentowany przez krotk� (3, 3, 1), poniewa� na pocz�tku jest 3 misjonarzy, 3 kanibali i 1 kajak po lewej stronie rzeki. Po��dany lub docelowy stan jest reprezentowany przez krotk� (0, 0, 0) ze wszystkimi i cz�nem teraz po prawej stronie. Istnieje 32 mo�liwych stan�w, do kt�rych mo�e dotrze� wyszukiwanie, ale nie wszystkie z nich b�d� dozwolone - na przyk�ad krotka (1, 3, 0) nie jest stanem dozwolonym, poniewa� reprezentuje przypadek, gdy liczba kanibali jest wi�ksza ni� liczba misjonarzy o 2. Ta reprezentacja pozwala nam wizualizowa� wyszukiwanie przy u�yciu r�wnoleg�ego uk�adu wsp�rz�dnych, jak pokazano na powy�szym rysunku. Iteracja przeszukiwania za ka�dym razem jest pokazywana na osiach r�wnoleg�ych, z pocz�tkiem wyszukiwania pokazanym w ticku t = 0 po lewej stronie. Nast�pnie wyszukiwanie przenosi si� do trzech mo�liwych stan�w w ticku t = 1: do (3, 2, 0), po tym jak jeden kanibal przep�yn�� na prawo w kajaku; do (3, 1, 0), po dw�ch kanibali wio�larzy w kajaku; i do (2, 2, 0) po tym, jak jeden misjonarz i jeden kanibal przemaszerowali. Na rysunku przedstawiono �cie�ki, kt�rymi zajmuje si� po raz pierwszy wyszukiwanie w �rodowisku przestrzeni stan�w. Liczba czynnik�w znacz�co ro�nie wraz z ka�dym tikkiem. Zrzut ekranu pokazuje r�wnie� jedno mo�liwe rozwi�zanie narysowane na czerwono. Jest to rysowane od lewej do prawej podczas animacji pokazanej na dole po naci�ni�ciu przycisku go-animacji w interfejsie. Mo�emy zatrzyma� wyszukiwanie od ponownego stawiania stan�w, ustawiaj�c prze��cznik allowed-revisited-states w interfejsie na Off. Ma to dramatyczny efekt, eliminuj�c wi�kszo�� cie�ek z wyszukiwania, jak pokazano na rysunku

Podobny efekt wida� po pierwszym wyszukiwaniu. Rysunek poni�szy pokazuje, co dzieje si� z pierwsz� g��bi� wyszukiwania w modelu Misjonarzy i Cannibal z dozwolonym powt�rk�.

Zrzut ekranu pokazuje wyszukiwanie wielokrotnie wybieraj�ce te same z�e �cie�ki, kt�re nigdy nie doprowadzi�y do rozwi�zania. W ko�cu wyszukiwanie zostaje przerwane, poniewa� trwa zbyt d�ugo. Rysunek ponizje pokazuje, co dzieje si� z pierwszym wyszukiwaniem g��boko�ci, gdy ponowne odwiedzanie jest niedozwolone.

Wyszukiwanie niemal natychmiast znajduje poprawn� �cie�k�, poniewa� alternatywne z�e �cie�ki s� eliminowane jako mo�liwo�ci.

Wdra�anie wyszukiwania niedoinformowanego w NetLogo

Kod rozszerzania granicy wyszukiwania dla modelu wyszukiwania Kevina Bacona pokazany jest w NetLogoCode

to expand-paths [searcher-agent]
;; rozwija wszystkie mo�liwe �cie�ki dla wyszukiwarki-agenta
foreach sort [link-neighbors] of [location] of searcher-agent
[ expand-path searcher-agent ? ]
end
to expand-path [searcher-agent node]
; agent wyszukiwania tworzy nowy agent wyszukiwania, kt�ry rysuje �cie�k� w pliku
; sie� od bie��cej pozycji do w�z�a
let xcor1 0
let ycor1 0
if not search-completed
[ ; utw�rz now� �cie�k�, tworz�c agenta do jej przeszukiwania
; sprawd�, czy �cie�ka zosta�a ju� odwiedzona
if allow-revisited-nodes or not member? node visited-nodes
[
set path-found true
if not allow-revisited-nodes
[set visited-nodes fput node visited-nodes]
; dodaj do przodu zestawu odwiedzonych w�z��w
hatch-searchers 1
[ ; wyszukiwarka klon�w
set searchers-used searchers-used + 1
set size 2
set pen-size 5
set color magenta
set shape "person"
set xcor [xcor] of searcher-agent
set ycor [ycor] of searcher-agent
set xcor1 xcor ; copy xcor
set ycor1 ycor ; copy ycor
set heading [heading] of searcher-agent
set time [time] of searcher-agent + 1
set path-cost [path-cost] of searcher-agent
pen-down
; move to the node
set location node
move-to location
set xcor [xcor] of self
set ycor [ycor] of self
; przyrost �cie�ki �cie�ki przy wykonywaniu zachowania za pomoc�
; Odleg�o�� euklidesowa
set path-cost path-cost +
euclidean-distance xcor1 ycor1 xcor ycor
set estimated-cost (heuristic-function xcor ycor)
set height hill-height xcor ycor
stamp ]
]
if goal-node node
[ set search-completed true ]
]
end
to-report goal-node [this-node]
;; zwraca true, je�li agent wyszukiwarki osi�gn�� cel
report this-node = kevin-bacon-node
end
Procedura expand-paths wywo�uje podporcedur� expand-path dla ka�dego w�z�a s�siaduj�cego z w�z�em w bie��cej lokalizacji agenta wyszukuj�cego, tj. ka�dy w�ze� w zbiorze link-neighborough w�z�a agenta wyszukuj�cego. Ta pod-procedura tworzy now� �cie�k� do ka�dego s�siedniego w�z�a (przekazanego jako parametr), tworz�c agenta do przeszukania. Najpierw sprawdza jednak, czy �cie�ka zosta�a ju� odwiedzona, a ponowne odwiedzanie w�z��w jest niedozwolone, a je�li jest to prawd�, nie utworzy nowego agenta. �cie�ki rozwini�cia procedury wywo�uj� �cie�k� rozszerzaj�c� pod procedur� dla ka�dego w�z�a s�siaduj�cego z w�z�em w bie��cej lokalizacji agenta wyszukuj�cego, tj. Ka�dy w�ze� w zestawie w�z��w-s�siad�w w�z�a agenta wyszukuj�cego. Ta pod-procedura tworzy now� �cie�k� do ka�dego s�siedniego w�z�a (przekazanego jako parametr), tworz�c agenta do przeszukania. Najpierw sprawdza jednak, czy �cie�ka zosta�a ju� odwiedzona, a ponowne odwiedzanie w�z��w jest niedozwolone, a je�li jest to prawd�, nie utworzy nowego agenta. Po utworzeniu nowego agenta jest on pocz�tkowo umieszczany w lokalizacji bie��cego agenta wyszukiwania, a nast�pnie jest przenoszony do s�siedniego w�z�a. Ta pod-procedura utrzymuje r�wnie� koszt �cie�ki - odleg�o�� przebyt� do tej pory podczas wyszukiwania wzd�u� aktualnej �cie�ki; w tym modelu obliczany jest koszt �cie�ki za pomoc� odleg�o�ci euklidesowej. Kiedy nowy agent zostanie sklonowany, skopiuje on dotychczasowe koszty �cie�ki, a liczba ta zostanie zwi�kszona po przeniesieniu agenta klon�w do nowej lokalizacji. Szacowany koszt dotarcia do celu i wysoko�ci s� r�wnie� obliczane (s� one wykorzystywane do wyszukiwania informacji i wspinaczki g�rskiej. Pod koniec procedury podrz�dnej wykonywane jest sprawdzenie, czy w�ze� celu zosta� osi�gni�ty przez wywo�anie procedury goal-node. Ta procedura po prostu sprawdza, czy w�ze� jest w�z�em bocznym Kevina zdefiniowanym podczas instalacji (reprezentowanym przez gwiazd� na zrzutach ekranu). Procedury wyszukiwania od pierwszego do najmniejszego i pierwszego wg g��boko�ci s� definiowane za pomoc� procedury expand-paths, jak pokazano w kodzie NetLogo. Kod jest taki sam dla wszystkich trzech modeli - do wyszukiwania. Model Kevina Bacona oraz modele Searching Maze and Missionaries and Cannibals. R�nica wyst�puje dla ka�dego modelu w sposobie rozszerzania �cie�ek - czyli sposobu definiowania procedury expand-paths - poniewa� zale�y to od natury problemu i sposobu definiowania �cie�ek w �rodowisku.
to expand-breadth-first-search
; rozszerz wyszukiwanie, dodaj�c wi�cej agent�w wyszukiwania
ask searchers
[
expand-paths (searcher who)
die ; odetnij agent�w nadrz�dnych u�ywanych w ni�szych odst�pach czasu
]
end
to expand-depth-first-search
; rozwi� wyszukiwanie, post�puj�c zgodnie z najnowsz� �cie�k�
; nie pod��aj r�wnolegle innymi �cie�kami; po prostu wykonaj jedn� z nich
set path-found false
ask first (sort-by [[time] of ?1 > [time] of ?2] searchers)
[
expand-paths (searcher who)
die ; ten agent wykona� swoj� prac�; to dzieci wykonuj� teraz prac�
]
end

Najpierw wyszukiwanie rozszerza �cie�ki dla wszystkich obecnych agent�w wyszukuj�cych za pomoc� polecenia ask, wywo�uj�c procedur� expand-paths przed zabiciem ka�dego z nich. Polecenie ask searchers zapewnia, �e wyszukiwanie jest ka�dorazowo rozszerzane w przypadkowej kolejno�ci. W przeciwie�stwie do tego, pierwsze wyszukiwanie g��bi rozszerza �cie�ki dla pojedynczego agenta, najnowszego wyszukiwacza, kt�ry ma najwy�sz� zmienn� czasow� okre�lan� przez sort-by reporter, zanim go zabije. Proste odmiany tych dw�ch procedur prowadz� do r�nych zachowa� zwi�zanych z wyszukiwaniem. Jedn� z odmian jest najpierw rozszerzenie �cie�ki najni�szego kosztu. Jest to tak zwane jednolite wyszukiwanie koszt�w, kt�rego kod jest pokazany w kodzie NetLogo. Kolejno�� rozwijania agent�w wyszukuj�cych jest okre�lana przez raport sort-by, kt�ry zamawia agent�w w kolejno�ci rosn�cej wed�ug path-cost

to expand-uniform-cost-search
; rozszerz wyszukiwanie, post�puj�c najpierw �cie�kami o najni�szych kosztach
set path-found false
ask first (sort-by [[path-cost] of ?1 < [path-cost] of ?2] searchers)
[
expand-paths (searcher who)
die ; ten agent wykona� swoj� prac�; to dzieci wykonuj� teraz prac�
]

end

W przypadku pierwszego wyszukiwania w g��b mo�emy zmniejszy� ograniczenie, �e jeden agent przeprowadza wyszukiwanie, i umo�liwia wi�cej ni� jednemu agentowi jednoczesne wyszukiwanie w tym samym czasie. W limicie, w kt�rym nie ma ogranicze� co do liczby agent�w, kt�re mog� wyszukiwa� w tym samym czasie, b�dzie to r�wnoznaczne z szerokim wyszukiwaniem. Wariant wielo-agentowy wyszukiwania z g��bokim pierwszym pokazano w NetLogo Code poni�ej. Jedyne zmiany z powy�szego pierwszego kodu to u�ycie zmiennej globalnej max-agents-to-expand, aby okre�li�, ilu agent�w powinno jednocze�nie wyszukiwa� w ka�dej iteracji (mo�na to zmieni� w interfejsie) i korzysta� z n-reporter zamiast first reportera w poleceniu ask. Polecenie let przed poleceniem ask jest wymagane, gdy liczba agent�w jest mniejsza ni� max-agent-to-expand, kt�ry zwykle wyst�puje na pocz�tku wyszukiwania, w przeciwnym razie n-of reportera spowoduje b��d wykonania.

to expand-MA-depth-first-search
; rozszerz wyszukiwanie, pod��aj�c najd�u�sz� �cie�k�
; pod��aj r�wnolegle innymi �cie�kami; ale nie pod��aj za nimi wszystkimi
false
let agents ifelse-value (count searchers < max-agents-to-expand)
[ count searchers ]
[ max-agents-to-expand ]
ask n-of agents turtle-set
(sort-by [[time] of ?1 > [time] of ?2] searchers)
[
expand-paths (searcher who)
die ; ten agent wykona� swoj� prac�; to dzieci wykonuj� teraz prac�
]
end

Inn� odmian� pierwszego wyszukiwania jest ograniczenie g��bi wyszukiwania do okre�lonej maksymalnej g��boko�ci. Mo�e to by� przydatne, gdy maksymalna g��boko�� drzewa wyszukiwania jest nieznana i chcieliby�my, aby wyszukiwanie najpierw rozpocz�o alternatywne kr�tsze �cie�ki. W tym przypadku �cie�ki s� rozszerzane tylko dla tych agent�w, kt�rych zmienna czasowa jest mniejsza lub r�wna temu limitowi. Jest to nazywane wyszukiwaniem z ograniczeniem g��boko�ci, a kod jest wy�wietlany w kodzie NetLogo

to expand-depth-limited-search
; rozszerz wyszukiwanie, pod��aj�c najd�u�sz� �cie�k�
; nie pod��aj r�wnolegle innymi �cie�kami; po prostu wykonaj jedn� z nich
; ogranicz g��boko�� wyszukiwania do maksymalnej g��boko�ci
expand-depth-limited-search-1 max-depth
end
to expand-depth-limited-search-1 [maxdepth]
;rozszerz wyszukiwanie, pod��aj�c najd�u�sz� �cie�k�
; nie pod��aj r�wnolegle innymi �cie�kami; po prostu wykonaj jedn� z nich
; ogranicz g��boko�� wyszukiwania do maxdepth
set path-found false
ask first (sort-by [[time] of ?1 > [time] of ?2] searchers)
[
if (time <= maxdepth)
[ expand-paths (searcher who) ]
; rozwin�� tylko, je�li nie zostanie przekroczony limit g��boko�ci
umrze�; ten agent wykona� swoj� prac�; to dzieci wykonuj� teraz prac�
]
end

Procedura expand-depth-limited-search wywo�uje podprocedur� expand-depth-search-1 z parametrem max-depth, kt�ra jest zmienn� zdefiniowan� w interfejsie. Podprocedura jest po prostu odmian� standardowej procedury wyszukiwania z g��bokim pierwszym zatrzymaniem ekspansji �cie�ek, je�li zostanie osi�gni�te ,max-depth g��boko�ci. Problem z wyszukiwaniem ograniczonym do g��bi jest taki, �e nie ma gwarancji, �e wyszukiwanie zako�czy si� powodzeniem. Je�li wybieramy konkretn� maksymaln� g��boko��, w�wczas po��dany lub docelowy stan mo�e znajdowa� si� tu� poza maksymaln� g��boko�ci� odci�cia. Wariantem rozwi�zania tego problemu jest "Iteracyjne pog��bianie wyszukiwania". W tym przypadku, ograniczone wyszukiwanie ograniczone jest do coraz wi�kszych maksymalnych g��boko�ci, jak pokazano w kodzie NetLogo

to expand-iterative-deepening-search
; rozszerz wyszukiwanie, wykonuj�c iteracyjnie wyszukiwanie z ograniczon� g��boko�ci�
; na coraz wi�ksze g��boko�ci
set IDS-depth 1
set person-colour magenta
while [ IDS-depth <= max-depth ]
[
while [count searchers != 0]
[ expand-depth-limited-search-1 IDS-depth ]
set IDS-depth IDS-depth + 1
; change colour of person to reflect the increased maxdepth of search
if (person-colour > 5)
[ set person-colour person-colour - 5 ]
create-searchers 1 [ setup-searcher ]
]
set person-colour magenta ; przywr�� domy�lny kolor
end

Zmienna IDS-depth rejestruje, jaka jest bie��ca maksymalna g��boko�� dla wyszukiwania z ograniczeniem g��boko�ci. Na pocz�tku ustawiona jest na 1, a nast�pnie kod wykorzystuje p�tl� while do wykonania wyszukiwania z ograniczeniem g��boko�ci poprzez wielokrotne wywo�ywanie procedury expand-depth-limited-search-1, dop�ki nie b�dzie wi�cej wyszukiwa� (dzieje si� tak, gdy g��boko�� ograniczone wyszukiwanie osi�gn�o maksymaln� g��boko��). Maksymalna g��boko�� ka�dej iteracji jest zwi�kszana, gdy zmienna IDS-depth jest zwi�kszana o 1. Pojedynczy wyszukiwarka jest r�wnie� odtwarzana w ka�dej iteracji, aby ponownie uruchomi� wyszukiwanie ograniczaj�ce g��boko�� od zera, a kolor agent�w wyszukuj�cych zosta� zmieniony w celu wy�wietlenia wyszukiwania w miar� post�pu poprzedniego wyszukiwania, kt�re jest wy�wietlane w innym kolorze. Wyszukiwanie zostanie ostatecznie zatrzymane, gdy IDS -depth przekroczy max-depth. Modele NetLogo umo�liwiaj� r�wnie� ��czenie zachowa� zwi�zanych z wyszukiwaniem. Strategi� wyszukiwania mo�na �atwo prze��cza� w po�owie wyszukiwania. Na przyk�ad wyszukiwanie mo�e rozpocz�� si� jako pierwsze wyszukiwanie g��bi, a nast�pnie u�ytkownik mo�e prze��czy� strategi� na alternatywn� strategi�, tak� jak wyszukiwanie wszerz w trybie wyszukiwania za pomoc� search-behaviour

Wyszukiwanie jako wyb�r zachowania

Mo�emy my�le� o procesie wyszukiwania jako o agencie poruszaj�cym si� po �rodowisku, kt�re reprezentuje przestrze� poszukiwa�. W ka�dym punkcie, w kt�rym istniej� alternatywne �cie�ki do zbadania, agent musi podj�� decyzj�, kt�r� �cie�k� zbada�. Po wybraniu konkretnej �cie�ki, doprowadzi to do "drzewa" przysz�ych oddzia��w. Ten abstrakcyjny widok wyszukiwania opiera si� na analogii z eksploracj� nieznanego terytorium poprzez wyb�r alternatywnych �cie�ek. Mo�emy rozszerzy� ten abstrakcyjny widok, zauwa�aj�c, �e proces wyszukiwania zwykle obejmuje wyb�r zachowa�, a nie tylko wyb�r �cie�ki. Agent wyszukuje sekwencj� zachowa�, kt�re po uruchomieniu doprowadz� do po��danego celu. Wykonanie zachowania spowoduj�, �e agent przejdzie okre�lone �cie�ki jako wynik. Mo�emy zastosowa� ten widok procesu wyszukiwania do scharakteryzowania trzech opisanych powy�ej problem�w z wyszukiwaniem. Na przyk�ad w problemie wyszukiwania labirynt�w proces wyszukiwania to co� wi�cej ni� poszukiwanie zestawu �cie�ek, kt�re pozwol� agentowi dotrze� do wyj�cia lub centrum labiryntu. Aby pod��a� �cie�kami, agent musi wykonywa� okre�lone zachowania, takie jak skr�canie w lewo i prawo, poruszanie si� do przodu i odwracanie. W zwi�zku z tym wyszukiwanie mo�na scharakteryzowa� jako poszukiwanie sekwencji zachowa�, kt�re po wykonaniu w okre�lonej kolejno�ci doprowadz� do po��danego celu. W szczeg�lno�ci zachowanie skr�tu w lewo lub w prawo wymaga pojedynczego dzia�ania, ale zachowanie ruchu do przodu poci�ga za sob� wiele dzia�a�, je�li mamy wzi�� pod uwag� perspektyw� wykonania i usytuowania. Ruch w prz�d musi by� po��czony z wykrywaniem, na przyk�ad agent mo�e zastosowa� inne zachowanie, gdy tylko wyczuwa przed nim �cian� lub gdy odkryje otwart� przestrze� przed lub na boku. W modelu Searching Mazes, aby zilustrowa� to behawioralne podej�cie do scharakteryzowania procesu wyszukiwania, agenci otrzymali mo�liwo�� wykonania trzech r�nych zachowa� reaktywnych - (i) posuwania si� naprz�d, (ii) skr�cania w lewo, a nast�pnie poruszania si� do przodu, oraz ( iii) skr�caj�c w prawo, a nast�pnie w prz�d. Agenci mog� r�wnie� wykonywa� r�ne typy zachowa� w ruchu do przodu. S� one kontrolowane przez dwa wybory w interfejsie: [1] zachowanie w ruchu do przodu; i [2] przeniesienie do przodu -po w��czeniu. Pierwszy okre�la ruch do przodu dla zachowania reaktywnego (i), a drugi okre�la ruch do przodu dla zachowa� reaktywnych (ii) i (iii). Rodzaje ruchu do przodu s� nast�puj�ce: (a) "Przejd� do przodu n krok�w, chyba �e uderzy� w �cian�", gdzie agent porusza si� do przodu o n krok�w, a n jest liczb� zdefiniowan� przez zmienn� Interface move-forwardstep- amount; (b) "Poruszaj si� do przodu, a� trafisz �cian�", gdzie agent b�dzie kontynuowa� ruch do przodu, a� uderzy o �cian�; (c) "Przejd� do przodu, a� do dowolnej otwartej przestrzeni", gdzie agent b�dzie porusza� si� do przodu, dop�ki nie znajdzie si� �ciana lub jest otwarta przestrze� po obu jej stronach; i (d) "Posuwaj si� naprz�d do otwartej przestrzeni za �cian� boczn�", gdzie agent b�dzie porusza� si� do przodu, a� na �cianie jest �ciana lub jest otwarta przestrze� po �cianie bocznej.

Wyszukiwanie jako wyb�r zachowania

Mo�emy my�le� o procesie wyszukiwania jako o agencie poruszaj�cym si� po �rodowisku, kt�re reprezentuje przestrze� poszukiwa�. W ka�dym punkcie, w kt�rym istniej� alternatywne �cie�ki do zbadania, agent musi podj�� decyzj�, kt�r� �cie�k� zbada�. Po wybraniu konkretnej �cie�ki, doprowadzi to do "drzewa" przysz�ych oddzia��w. Ten abstrakcyjny widok wyszukiwania proces opiera si� na analogii z eksploracj� nieznanego terytorium poprzez wyb�r alternatywnych �cie�ek. Mo�emy rozszerzy� ten abstrakcyjny widok, zauwa�aj�c, �e proces wyszukiwania zwykle obejmuje wyb�r zachowa�, a nie tylko wyb�r �cie�ki. Agent wyszukuje sekwencj� zachowa�, kt�re po uruchomieniu doprowadz� do po��danego celu. Wykonanie zachowania spowoduj�, �e agent przejdzie okre�lone �cie�ki jako wynik. Mo�emy zastosowa� ten widok procesu wyszukiwania do scharakteryzowania trzech opisanych powy�ej problem�w z wyszukiwaniem. Na przyk�ad w problemie wyszukiwania labirynt�w proces wyszukiwania to co� wi�cej ni� poszukiwanie zestawu �cie�ek, kt�re pozwol� agentowi dotrze� do wyj�cia lub centrum labiryntu. Aby pod��a� �cie�kami, agent musi wykonywa� okre�lone zachowania, takie jak skr�canie w lewo i prawo, poruszanie si� do przodu i odwracanie. W zwi�zku z tym wyszukiwanie mo�na scharakteryzowa� jako poszukiwanie sekwencji zachowa�, kt�re po wykonaniu w okre�lonej kolejno�ci doprowadz� do po��danego celu. W szczeg�lno�ci zachowanie skr�tu w lewo lub w prawo wymaga pojedynczego dzia�ania, ale zachowanie ruchu do przodu poci�ga za sob� wiele dzia�a�, je�li mamy wzi�� pod uwag� perspektyw� wykonania i usytuowania. Ruch w prz�d musi by� po��czony z wykrywaniem, na przyk�ad agent mo�e zastosowa� inne zachowanie, gdy tylko wyczuwa przed nim �cian� lub gdy odkryje otwart� przestrze� przed lub na boku. W modelu Searching Mazes, aby zilustrowa� to behawioralne podej�cie do scharakteryzowania procesu wyszukiwania, agenci otrzymali mo�liwo�� wykonania trzech r�nych zachowa� reaktywnych - (i) posuwania si� naprz�d, (ii) skr�cania w lewo, a nast�pnie poruszania si� do przodu, oraz ( iii) skr�caj�c w prawo, a nast�pnie w prz�d. Agenci mog� r�wnie� wykonywa� r�ne typy zachowa� w ruchu do przodu. S� one kontrolowane przez dwa wybory w interfejsie: [1] zachowanie w ruchu do przodu; i [2] przeniesienie do przodu - po w��czeniu. Pierwszy okre�la ruch do przodu dla zachowania reaktywnego (i), a drugi okre�la ruch do przodu dla zachowa� reaktywnych (ii) i (iii). Rodzaje ruch do przodu s� nast�puj�ce: (a) "Przejd� do przodu n krok�w, chyba �e uderzy� w �cian�", gdzie agent porusza si� do przodu o n krok�w, a n jest liczb� zdefiniowan� przez zmienn� Interface move-forwardstep- amount; (b) "Poruszaj si� do przodu, a� trafisz �cian�", gdzie agent b�dzie kontynuowa� ruch do przodu, a� uderzy o �cian�; (c) "Przejd� do przodu, a� do dowolnej otwartej przestrzeni", gdzie agent b�dzie porusza� si� do przodu, dop�ki nie znajdzie si� �ciana lub jest otwarta przestrze� po obu jej stronach; i (d) "Posuwaj si� naprz�d do otwartej przestrzeni za �cian� boczn�", gdzie agent b�dzie porusza� si� do przodu, a� na �cianie jest �ciana lub jest otwarta przestrze� po �cianie bocznej. Pomimo tego, �e s� w stanie wykona� trzy podstawowe zachowania reaktywne, agenci szukaj�cy labiryntu mog� w rezultacie wywo�a� zaskakuj�c� r�norodno�� ruch�w. Rysunek 8.10 przedstawia kilka z nich na zrzutach ekranu z modelu Searching Mazes, korzystaj�c z pierwszego wyszukiwania w pustym labiryncie.

Odwo�uj�c si� do cyfr i liter w poprzednim akapicie, aby opisa� cztery konfiguracje: w lewym g�rnym obrazie agenci stosuj� zachowania [1] (a) i [2] (a), obie za pomoc� kroku 10; w prawym g�rnym rogu zachowania s� [1] (a), z krokiem 1 i [2] (b); w lewym dolnym obrazie zachowanie to [1] (a), z krokiem 10 i [2] (c); aw prawym dolnym obrazie zachowaniem s� [1] (c) i [2] (a), z krokiem 10. Na przyk�ad efekt siatki w lewym g�rnym rogu jest spowodowany przez powtarzaj�ce si� 10 krok�w ruchy agent�w w trzech kierunkach - do przodu, w lewo i w prawo. Spos�b, w jaki siatka jest zbudowana, najlepiej wida� po ci�g�ym naci�ni�ciu przycisku jednorazowego u�ycia w interfejsie na pocz�tku ka�dego wyszukiwania. Wa�nym rozr�nieniem jest to, �e wyszukiwanie zaimplementowane w modelu Searching Mazes to nie tylko poszukiwanie alternatywnych �cie�ek - jest to poszukiwanie sekwencji zachowa�, kt�re agent musi wykona�, aby przej�� do stanu celu. To rozr�nienie jest najbardziej widoczne w definicji procedury expand-paths dla modelu, jak pokazano w kodzie NetLogo, gdzie ka�da "�cie�ka", kt�ra jest rozszerzona, obejmuje wykonanie okre�lonego zachowania ruchu - do przodu, do przodu, do ty�u, do przodu lub do prawej-naprz�d.

to expand-paths [searcher-agent]
;; rozwija wszystkie mo�liwe �cie�ki dla wyszukiwarki-agenta
expand-path searcher-agent "Move forward"
; nowy agent wyszukiwarki przesuwa si� do przodu, a� uderzy w �cian�
expand-path searcher-agent "Move left"
; nowy agent wyszukiwania skr�ca w lewo, a nast�pnie przesuwa si� do przodu
expand-path searcher-agent "Move right"
; nowy agent wyszukiwania skr�ca w prawo, a nast�pnie przesuwa si� do przodu
end

Pozosta�e dwa problemy z wyszukiwaniem mo�na r�wnie� scharakteryzowa� jako proces wyboru zachowa�, a nie proces wyboru �cie�ki. W przypadku modelu Kevin Bacon agenci stosuj� pojedyncze zachowanie - "rozgl�daj� si�" wok� nich, aby wyczu� otaczaj�ce w�z�y, a nast�pnie przechodz� do ka�dego z nich po kolei. W procesie wyszukiwania zaimplementowanym w modelu zachowanie stosowane przez agenty jest takie samo, jak ka�dy w�ze� jest traktowany jako r�wnowa�ny, ale nie ma powodu, dla kt�rego nie mogliby�my zmienia� wyszukiwania, wybieraj�c mi�dzy zachowaniami, kt�re uwzgl�dniaj� r�ne w�a�ciwo�ci w�z�y w sieci, takie jak to, czy by� to super-w�ze� czy nie, lub odleg�o�� od s�siednich w�z��w. W przeciwie�stwie do modelu misjonarzy i ludo�erc�w, proces wyboru zachowania jest bardziej widoczny. W procedurze rozszerzania �cie�ek modelu pokazanej w kodzie NetLogo rozwijanych jest pi�� "�cie�ek". Odpowiadaj� one alternatywnym dzia�aniom polegaj�cym na tym, �e dw�ch misjonarzy dostanie si� do �odzi wios�owej, dw�ch kanibali w �odzi wios�owej, jeden misjonarz i jeden kanibal wsiadaj� do �odzi wios�owej, jeden misjonarz sam i jeden kanibal sam. Aby jeszcze bardziej podkre�li� behawioralny aspekt tych dzia�a�, wyobra�my sobie na przyk�ad scenariusz, w kt�rym misjonarze wykazuj� osobliwe zachowanie, �e sami nigdy nie wsiadaj� do �odzi wios�owej. Mo�emy to zasymulowa�, po prostu komentuj�c lini� "expand-path searcher-agent 1 0" w procedurze rozszerzenia-�cie�ka. W rezultacie w przypadku ka�dej z metod wyszukiwania przeprowadzane s� znacz�co r�ne wyszukiwania, niekt�re z nich ko�cz� si� niepowodzeniem, podczas gdy inne, jak na przyk�ad wyszukiwanie wszerz, by� mo�e zaskakuj�ce, wci�� udaje si� znale�� rozwi�zanie, cho� r�ni�ce si� od poprzedniego

to expand-paths [searcher-agent]
;; rozszerza wszystkie mo�liwe �cie�ki dla agenta wyszukiwanit
expand-path searcher-agent 2 0 ; two missionaries in row-boat
expand-path searcher-agent 0 2 ; two cannibals in row-boat
expand-path searcher-agent 1 1
; jeden misjonarz i jeden kanibal w ��dce wios�owej
expand-path searcher-agent 1 0 ; jeden misjonarz w ��dce wios�owej
expand-path searcher-agent 0 1 ; jeden kanibal w ��dce wios�owej
end

�wiadome wyszukiwanie

�wiadome wyszukiwanie nast�puje, gdy agent u�ywa informacji specyficznych dla problemu, aby pom�c w wyszukiwaniu. Informacje te s� wykorzystywane do okre�lenia, kt�re �cie�ki nale�y zastosowa�, gdy istniej� alternatywy. Jedn� z postaci, jak� mo�e przyj�� informacja, jest agent u�ywaj�cy heurystycznej funkcji oceny, kt�ra szereguje alternatywne �cie�ki. Zwykle wybiera si� �cie�k� o najni�szej warto�ci zgodnie z funkcj� heurystyczn�, aby rozszerzy� nast�pne wyszukiwanie. Celem funkcji heurystycznej jest dok�adne zorientowanie si�, kt�ra �cie�ka jest najlepsza. Agent musi zgadn��, poniewa� je�li agent wiedzia� ju�, kt�ra �cie�ka by�a najlepsza z g�ry, nie ma ju� potrzeby wykonywania �adnych wyszukiwa�. Jaka jest jednak dobra funkcja heurystyczna? Funkcja powinna zapewni� oszacowanie kosztu najta�szej �cie�ki z bie��cego w�z�a do w�z�a celu. Na przyk�ad, jedna z mo�liwych heurystycznych metod poszukiwania modelu Kevina Bacona jest odleg�o�ci� prost� (euklidesow�), je�li mierzymy koszt w kategoriach odleg�o�ci przebytej w �rodowisku. Cech� tej heurystyki jest to, �e nigdy nie przeszacuje faktycznego kosztu, poniewa� najkr�tsza droga pomi�dzy dwoma punktami jest zawsze lini� prost�. Uwa�a si�, �e funkcja heurystyczna jest dopuszczalna, je�li, tak jak w przypadku odleg�o�ci euklidesowej, nigdy nie przecenia ona kosztu osi�gni�cia w�ze� celu od bie��cego w�z�a. Kolejn� funkcj� heurystyczn�, kiedy mierzymy koszt w kategoriach odleg�o�ci przemieszczanej w �rodowisku, jest odleg�o�� na Manhattanie. Tutaj analogi� jest poruszanie si� mi�dzy dwoma punktami, tak jakby�my byli zmuszeni porusza� si� po ulicach Manhattanu - mo�emy porusza� si� tylko w pionie i poziomie, ale nigdy po skosie. Rysunek 8.11 pokazuje zrzut ekranu modelu odleg�o�ci Manhattan w NetLogo, kt�ry ilustruje spos�b obliczania miary i jej por�wnanie z odleg�o�ci� euklidesow�.

D�ugo�� przek�tnej czerwonej linii to odleg�o�� euklidesowa, kt�ra na zrzucie ekranu jest r�wna

Odleg�o�� na Manhattanie mo�na obliczy� na podstawie odleg�o�ci wielu r�nych kombinacji �cie�ek poziomych i pionowych prowadz�cych od punktu pocz�tkowego (dolne bia�e k�ko) do celu (prawy g�rny okr�g). Na zrzucie ekranu wida� dwie mo�liwo�ci, ale wszystkie takie �cie�ki b�d� mia�y tak� sam� ca�kowit� odleg�o�� 36. Odleg�o�� Manhattan nie jest dopuszczaln� heurystyczn� metod� poszukiwania modelu Kevina Bacona (w przypadkach, gdy dwa punkty nie s� pionowe lub horyzontalne niezale�nie od siebie odleg�o�� na Manhattanie jest wi�ksza ni� najkr�tsza odleg�o�� mi�dzy dwoma punktami, czyli odleg�o�� euklidesowa). Jest to jednak dopuszczalna heurystyka modelu Searching Mazes, poniewa� ruch w trzech labiryntach dostarczonych przez model (pusty labirynt, labirynt Hampton Court Palace i labirynt Chevening Court) jest zawsze w kierunku poziomym lub pionowym, wi�c d�ugo�� najkr�tszej przejezdnej �cie�ki pomi�dzy dwoma punktami w labiryncie to zawsze odleg�o�� na Manhattanie. Kod pokazany w kodzie NetLogo pokazuje, w jaki spos�b obliczana jest funkcja heurystyczna dla modelu Wyszukiwanie Kevina Bacona przy u�yciu odleg�o�ci euklidesowej lub odleg�o�ci Manhattanu.

to-report euclidean-distance [x y x1 y1]
;; zg�asza odleg�o�� euklidesow� mi�dzy punktami (x, y) i (x1, y1)
report sqrt ((x1 - x) ^ 2 + (y1 - y) ^ 2)
end
to-report manhattan-distance [x y x1 y1]
;; zg�asza odleg�o�� euklidesow� mi�dzy punktami (x, y) i (x1, y1))
report abs (x1 - x) + abs (y1 - y)
end
to-report heuristic-function [x y]
;; zg�asza warto�� funkcji oceny heurystycznej
let goalx kevin-bacon-xcor
let goaly kevin-bacon-ycor
if (heuristic = "Zero")
[ report 0 ]
if (heuristic = "Euclidean distance")
[ report euclidean-distance x y goalx goaly ]
if (heuristic = "Manhattan distance")
[ report manhattan-distance x y goalx goaly ]
end

Trzecia funkcja heurystyczna o nazwie Zero, kt�ra zawsze zwraca warto�� 0, zosta�a r�wnie� uwzgl�dniona w modelach w celach por�wnawczych. Funkcja zerowa jest dopuszczaln� heurystyczn�, poniewa� wyra�nie nie przecenia koszt�w �cie�ki. Opracowanie odpowiedniej funkcji heurystycznej jest bardziej sztuk� ni� nauk�. Chcemy, aby heurystyka zapewnia�a dobry ranking alternatywnych �cie�ek, ale w najlepszym przypadku jest to tylko wykszta�cone przypuszczenie oparte na wcze�niejszej wiedzy o tym, co dzia�a dobrze w danej domenie wyszukiwania. Oczywi�cie, funkcja Zero nie zapewni dobrego rankingu alternatywnych �cie�ek, poniewa� koszt b�dzie zawsze niedoceniany (chyba �e w�ze� celu zostanie osi�gni�ty) i ka�da �cie�ka b�dzie mia�a tak� sam� pozycj�. (Jest jednak u�yteczne, aby zapewni� por�wnanie bazowe, poniewa� w przypadku pierwszego najlepszego wyszukiwania w chciwo�ci opisanego poni�ej, zachowanie przeszukiwania domy�lnie dotyczy losowego rozszerzenia granicy, poniewa� wszystkie �cie�ki alternatywne s� r�wno klasyfikowane). Funkcje heurystyczne musz� by� dostosowane do ka�dego problemu wyszukiwania. To, co mo�e dobrze dzia�a� w jednej domenie problemowej, mo�e nie dzia�a� tak dobrze w innej. Na przyk�ad heurystyka heurystyczna na Manhattanie jest odpowiednia dla problemu Searching Mazes, ale nie by�aby odpowiednia dla problemu Kevin Bacon z powod�w wymienionych powy�ej. Ani heurystyka dystansu Manhattanu, ani metryka odleg�o�ci euklidesowej nie by�aby odpowiednia dla problemu misjonarzy i Cannibal�w w jej obecnej formie, poniewa� poprzednie rozwi�zania by�y odpowiednie tylko dla przestrzeni dwuwymiarowej, problem misjonarzy i kanibali jest bardziej naturalnie reprezentowany w tr�jwymiarowym przestrzeni poszukiwa�, gdzie wymiary to liczba misjonarzy po lewej stronie rzeki, liczba kanibali po prawej stronie rzeki i czy ��d� rz�dowa znajduje si� po lewej stronie, czy te� nie. Mo�emy �atwo zwi�kszy� odleg�o�� euklidesow� oraz funkcje odleg�o�ciowe na Manhattanie w celu uwzgl�dnienia 3 (lub wi�cej) wymiar�w, jak pokazano w NetLogo Code

to-report euclidean-distance [x y z x1 y1 z1]
;; zg�asza odleg�o�� euklidesow� mi�dzy punktami (x, y, z) i (x1, y1, z1)
report sqrt ((x1 - x) ^ 2 + (y1 - y) ^ 2 + (z1 - z) ^ 2)
end
to-report manhattan-distance [x y z x1 y1 z1]
;; podaje odleg�o�� manhattan mi�dzy punktami (x, y, z) i (x1, y1, z1))
report abs (x1 - x) + abs (y1 - y) + abs (z1 - z)
end
to-report heuristic-function [mcount ccount rcount]
;; zg�asza warto�� funkcji oceny heurystycznej
if (heuristic = "Zero")
[ report 0 ]
if (heuristic = "People on the left side")
[ report mcount + ccount ]
if (heuristic = "Min. no. boat trips needed")
[ report (mcount + ccount) / 2 ] ; 2 is the capacity of the boat if (heuristic = "Euclidean distance") ; celem jest punkt (0,0,0)
[ report euclidean-distance mcount ccount rcount 0 0 0 ]
if (heuristic = "Manhattan distance") ; celem jest punkt (0,0,0)
[ report manhattan-distance mcount ccount rcount 0 0 0 ]
end

Zdefiniowane s� r�wnie� dwie dalsze dopuszczalne funkcje heurystyczne, kt�re mo�na zastosowa� w tym problemie. Pierwsza, oznaczona jako "Ludzie po lewej stronie", po prostu liczy liczb� os�b znajduj�cych si� po lewej stronie rzeki. Jest to zwi�zane z drugim, oznaczonym "Min. Nie. wymagane rejsy statkiem ", kt�re okre�laj� minimaln� liczb� rejs�w, kt�re b�d� potrzebne do przeniesienia ludzi. Te dwa s� nierealistycznymi szacunkami prawdziwego kosztu �cie�ki, poniewa� ignoruj� one dodatkowe podr�e potrzebne po pierwsze, aby upewni� si�, �e kanibale nigdy nie przewy�szaj� liczebnie misjonarzy na �adnym etapie, a po drugie, �e zwracaj� kajak, aby podnie�� pozosta�ych ludzi. Jednak wyra�nie nigdy nie przeszacowuj� liczby wymaganych wycieczek �odzi�, wi�c s� one dopuszczalnymi heurystykami. Mo�emy teraz przyjrze� si�, w jaki spos�b mo�emy u�y� tych heurystycznych funkcji oceny jako podstawy r�nych zachowa� wyszukiwania. Wyszukiwanie "Najpierw" odnosi si� do wyszukiwa�, kt�re najpierw rozszerzaj� "najlepsze" �cie�ki wed�ug oceny heurystycznej. Jeden rodzaj najlepszego pierwszego wyszukiwania, zwany pierwszym najlepszym wyszukiwaniem chciwym, zamawia ekspansje �cie�ek wyszukiwania wed�ug szacunkowego kosztu do celu. Analogia jest taka, �e agent wyszukuj�cy jest "chciwy" i kr�tkowzroczny, chc�c wybra� to, co wydaje si� najlepsze w tej chwili, st�d nazwa. Kod wyszukiwania jest zdefiniowany w poni�szym kodzie NetLogo (szacowany koszt jest obliczany przez funkcj� heurystyczn� w procedurze expand-paths w kodzie NetLogo).

to expand-greedy-best-first-search
; rozszerz wyszukiwanie, u�ywaj�c najlepszej chciwej pierwszej metody wyszukiwania
set path-found false
ask first (sort-by [[estimated-cost] of ?1
[estimated-cost] of ?2] searchers)
[ vexpand-paths (searcher who)
die ; ten agent wykona� swoj� prac�; to dzieci wykonuj� teraz prac�
]
end

Kod tego wyszukiwania jest bardzo dobry podobnie jak kod do pierwszego wyszukiwania w kodzie NetLogo, jedyn� r�nic� jest to, �e �cie�ki s� uporz�dkowane wed�ug estimed-cost, a nie czasu. Prost� modyfikacj� pierwszego najlepszego wyszukiwania jest ponowne uporz�dkowanie wyszukiwania wed�ug sumy szacunkowego kosztu i kosztu �cie�ki. To wyszukiwanie nazywa si� A * search (wymawiane "A star"); kod jest zdefiniowany w kodzie NetLogo

to expand-A-star-search
; rozwi� wyszukiwanie za pomoc� metody wyszukiwania A *
set path-found false
ask first (sort-by [[estimated-cost + path-cost] of ?1 <
[estimated-cost + path-cost] of ?2] searchers)
[
expand-paths (searcher who)
die ; ten agent wykona� swoj� prac�; to dzieci wykonuj� teraz prac�
]
end

Rysunek pokazuje, w jaki spos�b zar�wno chciwe najlepsze pierwsze wyszukiwanie, jak i wyszukiwanie A * przeszukuje sie� pokazan� wcze�niej na rysunkach w celu znalezienia modelu Kevina Bacona. W takim przypadku oba wyszukiwania ko�cz� si� na tych samych �cie�kach. Jednak w przypadku bardziej skomplikowanych sieci zwykle tak nie jest, poniewa� A * zwykle wybiera bardziej bezpo�redni� drog� do celu ni� najlepsze pierwsze wyszukiwanie.

Pokazuj� to dwa wyszukiwania w pustym labiryncie dla modelu Searching Mazes na rysunku

W tej konfiguracji funkcja heurystyczna jest odleg�o�ci� euklidesow�, a agent przesuwa si� do przodu o 2 kroki naraz, jak mia�o to miejsce w przypadku rysunku 8.5. Lewy obraz pokazuje nieco bardziej b��dn� og�ln� �cie�k� do wyj�cia przez agent�w wyszukuj�cych dla chciwego najlepszego pierwszego wyszukiwania, ale og�lnie rzecz bior�c, poszukiwacze s� "kierowani" w stron� celu przez funkcj� heurystyczn�, kt�ra lepiej pozycjonuje cele bli�ej celu. Podobne zachowanie mo�na zaobserwowa�, gdy u�ywana jest funkcja heurystyczna na Manhattanie, a nie odleg�o�� euklidesowa. Kiedy funkcja Zero jest u�ywana jako heurystyka, agenci wyszukuj�cy ekspanduj� na zewn�trz w spos�b losowy, niekoniecznie w kierunku wyj�cia. Odpowiedni obraz pokazuje bardziej bezpo�redni i uporz�dkowany post�p podejmowany przez agent�w wyszukuj�cych A *, gdy u�ywany jest euklides. Pi�� rodkowych kolumn armii agent�w poszukiwawczych maszeruje bezpo�rednio z do�u labiryntu w kierunku wyj�cia na szczyt. Jednak nagle zatrzymuj� si� kilka krok�w od wyj�cia, a lewa kolumna zewn�trzna przesuwa si� do przodu, z praw� stron� zewn�trzn�. kolumna do��czaj�ca do wyszukiwania nie d�ugo po. Powodem tego jest spos�b pozycjonowania pozycji przez sum� kosztu �cie�ki w po��czeniu z szacunkowym kosztem obliczonym na podstawie odleg�o�ci euklidesowej. W przypadku �rodkowych kolumn suma ta jest nieco wi�ksza ni� pionowa d�ugo�� labiryntu, poniewa� bezpo�rednia linia do wyj�cia jest pionowa, a pozycja celu u�ywana do obliczenia odleg�o�ci euklidesowej jest pojedynczym punktem na lewo od wyj�cia. Ta suma dla zewn�trznej kolumny przekracza sum� dla wewn�trznych kolumn przez wi�kszo�� czasu, podczas gdy agenci maszeruj� do przodu, ale gdy agenci z wewn�trzn� kolumn� zbli�aj� si� do celu, nie jest to ju� prawd�, a wi�c agenci z zewn�trznej kolumny przyjmuj� koniec. Ostatecznie �rodkowe kolumny dochodz� do wyj�cia. Rysunek pokazuje, co dzieje si� z przeszukiwaniem A * w pustym labiryncie za pomoc� odleg�o�ci na Manhattanie heurystyczny (lewy obraz) i heurystyczny dystans zerowy (prawy obraz). Zachowanie agent�w wyszukuj�cych z heurystyk� odleg�o�ci na Manhattanie polega na marszu w stron� punktu celu po lewej stronie wyj�cia, ale ruch do przodu jest bardziej kikutowy ni� dla metryki odleg�o�ci euklidesowej. Wsp�rz�dna x dla punktu celu dla przypadku pokazanego na obrazie jest ustawiona na -5 w kodzie podczas konfiguracji, wi�c wiod�cy agent przeszukiwania na ko�cu marszowej kolumny agent�w ma tendencj� do tego samego x wsp�rz�dnej . Natomiast zachowanie agent�w wyszukuj�cych, gdy u�ywana jest heurystyka Zero distance, jest podobne do zachowania szerokiego wyszukiwania po raz pierwszy

Lokalne wyszukiwanie i optymalizacja

Inna rodzina zachowa� zwi�zanych z wyszukiwaniem opiera si� na "lokalnym" wyszukiwaniu, w kt�rym agenci przeprowadzaj�cy wyszukiwanie stosuj� regu�y zgodnie z lokaln� sytuacj�, w kt�rej si� znale�li, badaj�c alternatywne �cie�ki tylko w odniesieniu do najbli�szego s�siedztwa. W zwi�zku z tym nie musz� rejestrowa� �adnych informacji, takich jak, kt�re lokalizacje ju� odwiedzili, �cie�ek, kt�re podj�li, ani drogi kosztowej. Ten typ wyszukiwania mo�na opisa� za pomoc� analogii osoby kr�tkowzrocznej z bardzo umiejscowionym polem widzenia. Wyszukiwanie wykorzystuje meta-heurystyk�, kt�ra mo�e by� zastosowana do rozwi�zywania og�lnych problem�w, a nie do specyficznej heurystyki dostosowanej do domeny problemowej. Jedn� z form tego typu wyszukiwania, zwan� wspinaczk� g�rsk� (zwan� r�wnie� chciwym wyszukiwaniem lokalnym), jest dokonanie wyboru gdzie przej�� do opartej na maksymalizacji (lub r�wnowa�nej minimalizacji) niekt�rych kryteri�w. Kod tego wyszukiwania jest pokazany w kodzie NetLogo

to expand-hill-climbing-search
; rozszerz wyszukiwanie za pomoc� metody wyszukiwania podczas wspinaczki
set path-found false
ask searchers ; na tym etapie zawsze powinien znajdowa� si� tylko jeden wyszukiwarka
[ expand-paths (searcher who) ] ; zobacz, gdzie mog� i�� dalej
foreach but-first (sort-by [[height] of ?1 < [height] of ?2] searchers)
[ ; zabij wszystko opr�cz pierwszego
ask ? [ die ]; pozw�l, aby najlepsi z nowych wyszukiwarek kontynuowali
]
end

W przypadku wyszukiwania na wzniesieniach w dowolnym momencie aktywny jest tylko jeden agent wyszukuj�cy. Agent ten utworzy nowych agent�w wyszukuj�cych dla ka�dej �cie�ki, kt�r� mo�e rozwin��, ale tylko jedna z nich zostanie wybrana do kontynuowania wyszukiwania, a reszta zostanie usuni�ta. Wybrany agent wyszukuj�cy b�dzie mia� minimaln� warto�� dla zmiennej wysoko�ci przechowywanej z ka�dym agentem. Jest to obliczane w procedurze expand-paths. W przypadku modu�u Searching Mazes i modelu Search for Kevin Bacon wysoko�� jest obliczana za pomoc� funkcji heurystycznej zdefiniowanej w kodzie NetLogo

to-report hill-height [x y]
;;zg�asza �wysoko�� aktualnej pozycji wyszukiwania
;; celem jest zerowa wysoko��
report heuristic-function x y
end

Wykorzystanie odleg�o�ci euklidesowej lub odleg�o�ci Manhattanu od punktu celu jako meta-heurystyki dla obu modeli zapewnia, �e krajobraz otoczenia jest g�adki w ca�ym tek�cie i sk�ada si� z pojedynczej depresji, przy czym najni�szym punktem (zero) jest epicentrum. Przeszukiwanie wspinaczki pr�buje si� poruszy� agent w kierunku epicentrum. Rysunek poni�szy przedstawia dwa zrzuty ekranu z wyszukiwania wznoszenia w pustym labiryncie dla modelu Searching Mazes.

Lewy obraz pokazuje, co si� dzieje, gdy odleg�o�� euklidesowa jest u�ywana jako meta-heurystyczny, w�a�ciwy obraz, gdy u�ywana jest odleg�o�� Manhattan. Wyja�nienie wyra�nego odwr�cenia kolumn agent�w wyszukuj�cych na pocz�tku i na ko�cu jest takie, �e jak om�wiono powy�ej, wsp�rz�dna x punktu celu jest ustawiona na -5, kt�ra jest nieco na lewo od x -region pierwszego agenta wyszukiwarki, gdy wejdzie do labiryntu. Dlatego, dla odleg�o�ci euklidesowej, �rodek rozszerzony w kierunku do przodu b�dzie zawsze bli�ej punktu celu, a� do prawej na ko�cu (w przeciwie�stwie do dw�ch innych czynnik�w rozszerzonych w lewym i prawym kierunku). W przypadku odleg�o�ci na Manhattanie veering wyst�puje na pocz�tku zamiast ze wzgl�du na spos�b, w jaki odleg�o�� jest obliczana jako suma d�ugo�ci pionowych i poziomych, a nie po przek�tnej. W przypadku modelu Missionaries and Cannibals potrzebujemy innej metody obliczania zmiennej wysoko�ci, poniewa� przestrze� poszukiwa� jest tr�jwymiarowa. Odnosz�c si� do rysunku 8.6, oczywistym sposobem przedstawienia wysoko�ci w �rodowisku jest po�o�enie ka�dego stanu na r�wnoleg�ych osiach y. Na przyk�ad najwy�szy punkt to stan pocz�tkowy w (3, 3, 1), a najni�szy (zero) punkt to stan celu na (0, 0, 0). Mo�emy zatem obliczy� wysoko�� proporcjonalnie do liczby misjonarzy i kanibali oraz aktualnej pozycji �odzi rz�dowej, jak pokazano w kodzie NetLogo

to-report hill-height [mcount ccount rcount]
;; zg�asza "wysoko��" aktualnej pozycji wyszukiwania
;; celem jest zerowa wysoko��; maksymalna wysoko�� to pocz�tek
report mcount * 8 + ccount * 2 + rcount
end

Problem z przeszukiwaniem wspinaczkowym polega na tym, �e mo�e �atwo utkn�� w lokalnych maksimach. Innym problemem jest przeszkoda blokuj�ca drog�. Ilustruje to zrzut ekranu z wykresu 8.16 wyszukiwania wznoszenia stosowanego w labiryncie Pa�acu Hampton Court.

Poszukiwacze kieruj� si� bezpo�rednio w kierunku globalnego minimum w centrum labiryntu, ale potem uniemo�liwia im poruszanie si� do przodu przez d�ug� poziom� �cian� na drodze. Co musi zrobi� wyszukiwanie, to uda� si� w kierunku nie do minimalizacji, aby omin�� przeszkod�. Jednym ze sposob�w na to jest w��czenie losowego chodzenia, gdy wyszukiwanie nie zrobi�o �adnego post�pu. Jednak �rodowisko Hampton Court Palace Maze jest nadal problematyczne nawet w przypadku takiego rozwi�zania, poniewa� �ciany przedstawiaj� szereg przeszk�d r�wnoleg�ych do siebie, kt�re s� bardzo szerokie i trudne do znalezienia. Podobnie, wyszukiwanie przy wspinaczce u�ywane do Poszukiwanie modelu Kevina Bacona mo�e r�wnie� utkn�� w w�z�ach, gdzie s�siednie w�z�y znajduj� si� w kierunkach oddalonych od w�z�a celu. Dzieje si� tak na ekranie pokazanym na rysunku 8.17, gdzie wyszukiwanie rozpoczyna si� w w�le b33, ale nie mo�e by� kontynuowane poza w�z�em b21, poniewa� odleg�o�ci od w�z�a celu (bia�ej gwiazdy) od s�siednich w�z��w s� d�u�sze ni� odleg�o�� od w�z�a b25.

Ten sam problem wyst�puje w przypadku wspinania si� po g�rach na problem misjonarzy i kanibali. Wyszukiwanie bardzo szybko utknie, gdy tylko przysz�e �cie�ki oddal� si� od stanu docelowego. Wspinaczka wzg�rzowa jest przyk�adem szerszej klasy rozwi�zywania problem�w zwanej optymalizacj�. Metody optymalizacyjne polegaj� na odgadywaniu, a nast�pnie stopniowaniu precyzji, dop�ki dalsze udoskonalenia nie b�d� mo�liwe. Niekt�re inne formy optymalizacji s� symulowane wy�arzania, wyszukiwania wi�zki, wyszukiwania genetycznego i optymalizacji roju cz�stek. W przypadku tych dw�ch ostatnich dw�ch modeli udost�pnia Biblioteka modeli NetLogo - Proste wyszukiwanie genetyczne i Optymalizacja roju cz�stek. (Modele te zostan� om�wione w Tomie 2 tej serii ksi��ek.) Wyszukiwanie optymistyczne w poszukiwaniu r�j cz�stek wykorzystuje inteligencj� roju i stygmergi�. U�ywanie tablic przez komunikowanie agent�w w celu wyszukiwania sieci komputerowych w ramach modelu Being Kevin Bacon, opisanego w poprzednim rozdziale, jest kolejnym przyk�adem agent�w rozproszonych wykorzystuj�cych stigmergiczne informacje lokalne w celu usprawnienia wyszukiwania. Innym przyk�adem wyszukiwania lokalnego jest r�wnie� metoda komunikacji "z ust do ust", ale w odr�nieniu od metody tablicowej nie wykorzystuje stygmatyki.

Por�wnywanie zachowa� wyszukiwania

Jak mo�emy por�wna� opisane powy�ej zachowania zwi�zane z wyszukiwaniem? Innymi s�owy, jakie s� odpowiednie kryteria, kt�re mo�emy zastosowa� w celu obiektywnej oceny, kt�re z wyszukiwarek jest "lepsze"? Jednym z oczywistych kryteri�w jest ustalenie, czy wyszukiwanie jest zako�czone, czy nie. W niekt�rych przypadkach nie mo�emy by� pewni, �e wyszukiwanie gwarantuje znalezienie rozwi�zania. Kolejnym kryterium jest to, czy wyszukiwanie znajduje optymalne rozwi�zanie - to jest rozwi�zanie, kt�re ma najni�szy koszt �cie�ki wzd�u� �cie�ki od stanu pocz�tkowego do stanu celu. Dalsze kryteria odnosz� si� do czasu i pami�ci wymaganej do znalezienia rozwi�zania. Tabela 8.1 zawiera list� kilku kryteri�w oceny wydajno�ci wyszukiwania.

Opis : Kryterium

Kompletno��. : Czy wyszukiwanie gwarantuje znalezienie rozwi�zania, je�li takie istnieje?

Optymalno��. : Czy wyszukiwanie znajduje optymalne rozwi�zanie?

Z�o�ono�� czasu : Ile czasu potrzeba na znalezienie rozwi�zania dla wszystkich agent�w?

Z�o�ono�� przestrzeni : Ile pami�ci ca�kowitej dla wszystkich agent�w jest wymagane, aby znale�� rozwi�zanie?

Z�o�ono�� komunikacji : Ile komunikacji mi�dzy agentami jest konieczne, aby znale�� rozwi�zanie?

Pierwsze cztery kryteria pochodz� od Russella i Norviga. Ostatnie kryterium zosta�o zaproponowane przez Yao i odnosi si� do ilo�ci komunikacji wymaganej mi�dzy agentami rozproszonymi podczas przeprowadzania wyszukiwania. Z�o�ono�� czasu i przestrzeni jest zwykle mierzona w odniesieniu do d�ugo�ci przeszukiwanych �cie�ek. Je�li wyszukiwanie jest scharakteryzowane za pomoc� agent�w rozproszonych zaimplementowanych przez kod w tym rozdziale, w�wczas z�o�ono�� czasu odnosi si� do ca�kowitej liczby agent�w wyszukuj�cych utworzonych podczas wyszukiwania, a z�o�ono�� przestrzeni odnosi si� do maksymalnej liczby agent�w wyszukuj�cych, kt�rzy s� "aktywni" podczas wykonanie wyszukiwania. Dla ka�dego z trzech modeli NetLogo opisanych w tym rozdziale (Wyszukiwanie Kevina Bacona, Wyszukiwanie Mazur i Misjonarzy oraz Kanibali) te dwie liczby s� wy�wietlane w interfejsie Maximum Active Searcher Agents i Total Searcher Agents. Zauwa�, �e w wielu przypadkach z�o�ono�ci s� idealizacj� wyszukiwania lub mog� nie odzwierciedla� rzeczywistej wydajno�ci. Na przyk�ad z�o�ono�� czasu i przestrzeni dla chciwych najlepszych pierwszych wyszukiwa� opiera si� na analizie najgorszego przypadku - dzi�ki dobrej heurystyce mo�na znacznie zmniejszy� wyszukiwanie. Nale�y r�wnie� zauwa�y�, �e w niekt�rych przypadkach z�o�ono�ci te nie odpowiadaj� r�nym zachowaniom wyszukiwania. Korzystanie z sortowania wed�ug reporter�w w wielu procedurach wyszukiwania rozszerzonego - na przyk�ad w rozszerzeniu - nie jest najskuteczniejszym mo�liwym wdro�eniem. Powodem, dla kt�rego zosta�y one wdro�one w ten spos�b, jest zwr�cenie uwagi na istotne r�nice mi�dzy poszczeg�lnymi przeszukaniami, poprzez umieszczenie ich we wsp�lnych ramach. Z�o�ono�� komunikacji jest r�wnie� wa�nym czynnikiem, kt�ry nale�y wzi�� pod uwag�, szczeg�lnie w przypadku stosowania rozwi�za� wieloagentowych. Je�li wyst�puje koszt zwi�zany z komunikowaniem stanu wyszukiwania mi�dzy agentami - na przyk�ad, gdy agenci klonuj� si� tak, jak powy�ej - nale�y to r�wnie� uwzgl�dni� w ocenie. Z�o�ono�� komunikacji wi��e si� z kosztami przesy�ania informacji mi�dzy agentami; mo�na to zmierzy� za pomoc� entropii, jak opisano w poprzednim rozdziale (tj. za pomoc� d�ugo�ci kodu kompresji). Wszystkie powy�sze zachowania przeszukiwania maj� podobn� z�o�ono�� komunikacyjn� do z�o�ono�ci przestrzeni, poniewa� informacje o sta�ym rozmiarze s� przesy�ane z agenta macierzystego do agent�w klon�w - to znaczy, gdy hatch-seaches command jest wywo�ywane jak w Kodzie NetLogo 8.1, Agent macierzysty przesy�a t� sam� informacj� o sta�ej wielko�ci do nowo wyklutego klonu (na przyk�ad bie��ca path-cost i czas wyszukiwania). Z�o�ono�� komunikacji mo�e by� jednak wa�nym czynnikiem, kt�ry nale�y uwzgl�dni� w innych rodzajach wyszukiwania, takie jak wyszukiwanie ustne i wyszukiwania typu tablicowego. R�ne z�o�ono�ci s� r�wnie� zwi�zane z informacjami gromadzonymi przez agenta lub agent�w podczas wyszukiwania, a tak�e z informacjami przesy�anymi mi�dzy agentami. Oczywist� informacj�, kt�r� agent mo�e zebra�, jest to, czy agent ju� odwiedzi� okre�lony stan, czy te� znalaz� si� na okre�lonej �cie�ce. Dalsze informacje mog� dotyczy� tego, czy jeden kraj prowadzi do innego pa�stwa, czy te� do najkr�tszej �cie�ki z danego stanu do innego pa�stwa. Agent mo�e wykorzystywa� te informacje do kierowania wyszukiwaniem, ale koszt przetwarzania informacji r�wnie� jest uwzgl�dniany w z�o�ono�ci. Czasami koszt uzyskania informacji mo�e by� zbyt wysoki - mo�e to oznacza�, �e wymagane jest zbadanie ca�ej przestrzeni poszukiwa�. Ewentualnie przechowywanie informacji mo�e by� zbyt kosztowne pod wzgl�dem pami�ci zewn�trznej.

Podsumowanie i dyskusja

Standardowe algorytmy wyszukiwania, takie jak pierwszy na pocz�tku, pierwszy, chciwy najlepszy pierwszy i A *, zosta�y zaimplementowane przy u�yciu uciele�nionej, usytuowanej struktury z wieloma agentami. W tym kontek�cie wyszukiwanie jest przekszta�cane jako proces wykonywany przez zespo�y agent�w wsp�pracuj�cych ze sob� w celu znalezienia po��danej lokalizacji w przestrzeni n-wymiarowej. Wiele zachowa� wy�szego rz�du, cz�sto zwi�zanych z inteligencj�, mo�e by� przekszta�conych jako wyszukiwanie w ten spos�b. Rozwi�zywanie problem�w mo�e by� traktowane jako poszukiwanie w przestrzeni rozwi�zania - istnieje wiele mo�liwych rozwi�za� konkretnego problemu, kt�re s� rozproszone w n-wymiarowej przestrzeni, kt�r� nale�y przeszuka� w celu rozwi�zania problemu. Podobnie procesy podejmowania decyzji, planowania i uczenia si� mo�na przekszta�ci� w wyszukiwania w przestrzeniach n-wymiarowych obejmuj�cych decyzje, plany i poznane koncepcje. Rozmowy wymagaj� r�wnie� wyszukiwania - podczas rozmowy agenci musz� nieustannie szuka� najbardziej odpowiednich odpowiedzi. Nast�pny rozdzia� pokazuje, jak rozumowanie mo�e by� przekszta�cone jako problem z wyszukiwaniem. Wyszukiwanie mo�na uzna� za zachowanie, kt�re uciele�niony, po�o�ony agent pokazuje w celu zdobycia wiedzy, kt�rej jeszcze nie ma. Wyszukiwanie jest zasadniczo zwi�zane z wiedz� - mo�na je traktowa� jako dwie strony tej samej monety. Znajduje to odzwierciedlenie w j�zyku, kt�rego u�ywamy do opisu wyszukiwania. Na przyk�ad wsp�lne angielskie wyra�enie, kt�rego u�ywamy, to "poszukiwanie wiedzy" (jak w cytacie na pocz�tku tego rozdzia�u). Cz�sto m�wimy r�wnie�, gdy nie "wiemy", czy co� jest prawd�, �e musimy "znale��", czy jest to prawda, jak w wyra�eniu "Musz� si� dowiedzie�, czy X jest prawd�", gdzie X jest dowolnym stwierdzeniem . W nast�pnym rozdziale om�wimy, czym jest wiedza, a tak�e zwi�zek mi�dzy wyszukiwaniem a wiedz�.

* Nast�puj�ce wyszukiwania s� niedoinformowanymi wyszukiwaniami: depth-first - w tym miejscu aktywny jest tylko jeden agent, kt�ry cz�sto musi cofn�� ledzenie; ograniczone do g��boko�ci - w tym przypadku maksymalna g��boko�� odci�cia jest nak�adana na pierwsze wyszukiwanie g��bi; multi-agent depth-first - jest to pierwsze wyszukiwanie g��bi, ale z wi�cej ni� jednym agentem aktywnym; w pierwszej kolejno�ci - to tutaj zespo�y agent�w rozchodz� si� r�wnolegle; jednolity koszt - jest to pierwsze wyszukiwanie, ale �cie�ki o najni�szych kosztach s� najpierw rozszerzane; Iteracyjne pog��bianie - wykorzystuje powtarzaj�ce si� egzekucje ograniczonego wyszukiwania w celu zwi�kszenia maksymalnej g��boko�ci;

* �wiadome wyszukiwanie wykorzystuje informacje do kierowania wyszukiwaniem. Informacje maj� form� odgadni�cia, w kt�r� stron� jest najlepszy.

* Funkcja u�ywana do odgadni�cia jest nazywana funkcj� heurystyczn�.

* Dopuszczalna funkcja heurystyczna to taka, kt�ra nigdy nie przecenia koszt�w osi�gni�cia celu.

* Nast�puj�ce wyszukiwania s� �wiadomymi wyszukiwaniami: chciwy najlepiej-pierwszy - tutaj jest �cie�ka o najni�szym szacowanym koszcie do celu (obliczona przez funkcj� heurystyk�) jest nast�pna;

* - tutaj nast�puje �cie�ka o najni�szym (szacowany koszt do celu + koszt �cie�ki).

* Lokalne wyszukiwanie i optymalizacja pozwalaj� zgadn��, kt�r� �cie�k� wybra�, wy��cznie na podstawie informacji lokalnych.

* Nast�puj�ce wyszukiwanie to wyszukiwanie lokalne: wspinaczka g�rska - tam pojedynczy agent zawsze prowadzi "pod g�r�".

* Wyszukiwanie w g�rach cz�sto utkn�o w lokalnej optimie.

* Do oceny wynik�w mo�na zastosowa� nast�puj�ce kryteria: kompletno��, optymalno��, z�o�ono�� czasu, przestrze� z�o�ono�� i z�o�ono�� komunikacji.

Wiedza
v Pytanie, w jaki spos�b zdefiniowa� wiedz�, jest by� mo�e najwa�niejsz� i najtrudniejsz� z trzech [(1) definicja wiedzy, (2) danych, (3) metod wnioskowania], kt�rymi b�dziemy si� zajmowa�. Mo�e si� to wydawa� zaskakuj�ce: na pierwszy rzut oka mo�na s�dzi�, �e wiedz� mo�na zdefiniowa� jako wiar� zgodn� z faktami. K�opot w tym, �e nikt nie wie, czym jest wiara, nikt nie wie, co to jest fakt, i nikt nie wie, jaki rodzaj porozumienia mi�dzy nimi uczyni�by wiar� prawdziw�. - Bertrand Russell. 1926.

Wiedza i systemy oparte na wiedzy

Wiedza jest niezb�dna do inteligentnego zachowania. Bez wiedzy inteligentny agent nie mo�e podejmowa� �wiadomych decyzji, a zamiast tego musi polega� na stosowaniu pewnego rodzaju zachowania typu wyszukiwania obejmuj�cego eksploracj� i / lub komunikacj� w celu zdobycia brakuj�cej wiedzy. Ludzie polegaj� na wiedzy w ka�dym momencie swojego �ycia - wiedza o tym, jak komunikowa� si� z innymi lud�mi, wiedza o tym, gdzie i jak ludzie �yj� i pracuj�, wiedza o tym, gdzie s� rzeczy, wiedza o tym, jak si� zachowa� w r�nych sytuacjach, wiedza o tym, jak wykonywa� r�ne zadania i tak dalej. Bez zdolno�ci do przechowywania i przetwarzania wiedzy, zdolno�ci poznawcze cz�owieka s� powa�nie ograniczone. Choroba, na przyk�ad choroba Alzheimera, mo�e wyniszcza�, gdy wyst�puje utrata pami�ci, taka jak trudno�� w zapami�tywaniu ostatnio poznanych fakt�w. Wszyscy wiemy (lub uwa�amy, �e wiemy), co mamy na my�li, gdy u�ywamy terminu "wiedza". Ale czym dok�adnie jest wiedza? Bertrand Russell uzna� trudne pytanie, w jaki spos�b zdefiniowa� znaczenie "wiedzy":

"By� mo�e nierozs�dne jest rozpoczynanie od definicji tematu, poniewa�, jak wsz�dzie w dyskusjach filozoficznych, definicje s� kontrowersyjne i b�d� z konieczno�ci r�ne dla r�nych szk�".

Definicja wiedzy jest przedmiotem tocz�cej si� debaty filozoficznej i obecnie istnieje wiele konkurencyjnych teorii bez wsp�lnej, wsp�lnej definicji. W konsekwencji, traktowanie wiedzy z perspektywy Sztucznej Inteligencji cz�sto �wiadomie unika�o definicji tego, czym jest wiedza. Jednak to unikanie podawania definicji wiedzy z g�ry powoduje brak dok�adno�ci w literaturze i badaniach. Poni�szy argument ilustruje, dlaczego. System oparty na wiedzy jest terminem u�ywanym w Sztucznej Inteligencji do odwo�ywania si� do systemu, kt�ry przetwarza wiedz� w pewien spos�b. Mo�emy uczyni� analogi� systemu opartego na wiedzy jako repozytorium wiedzy, podczas gdy baza danych jest repozytorium danych. Jednak w tej definicji zaniedbali�my zdefiniowanie znaczenie terminu "wiedza" i jego odmienno�� w stosunku do danych. Na przyk�ad mo�emy zada� sobie nast�puj�ce pytanie: "Co to jest system oparty na wiedzy i czym r�ni si� on od systemu baz danych?" Jest to trudne pytanie, na kt�re nie mo�na �atwo odpowiedzie� w prosty spos�b. Powszechnie stosowane podej�cie w literaturze jest takie, �e system oparty na wiedzy mo�e przeprowadza� rozumowanie za pomoc� jakiej� formy inferencji (opartej na regu�ach, ramowych, patrz poni�ej). Jednak nowoczesne systemy baz danych wykorzystuj� obecnie wi�kszo�� tych standardowych "opartych na wiedzy" technik i wi�cej. Oczywiste jest, �e samo dodanie zdolno�ci inferencyjnych nie jest wystarczaj�ce do zdefiniowania systemu opartego na wiedzy. Jednak wiele z literatury A.I. tworzy takie za�o�enie. Unikaj�c definicji wiedzy, problemem staje si� to, �e nie jest ju� jasne, �e to, co budujemy, faktycznie jest "oparte na wiedzy". W cz�ci 1 stwierdzono, �e wczesne systemy A.I. w latach 70. i 80. XX wieku cierpia�y na brak oceny - istnia�o p�d do budowy nowych system�w, ale cz�sto przeprowadzono bardzo niewiele oceny tego, na ile systemy dzia�aj�. Bez dzia�aj�cej definicji wiedzy ten sam problem wyst�puje obecnie w przypadku obecnych system�w opartych na wiedzy - w jaki spos�b mo�emy oceni�, jak skuteczny mo�e by� nasz system oparty na wiedzy, je�li nie mamy definicji tego, co powinno by� (lub nawet osi�gn�� lub osi�gn��) )? Mo�emy jednak unikn�� filozoficznych pu�apek i zamiast pr�bowa� zdefiniowa� wiedz�, i twierdz�c, �e ta definicja jest "w�a�ciwa", zamiast tego mo�emy zaproponowa� zasady projektowania naszego systemu opartego na wiedzy. W zwi�zku z tym mo�emy zdecydowa�, jakie zasady chcieliby�my stosowa� w naszym systemie opartym na wiedzy, a my, jako projektanci, mo�emy dowolnie je zmienia� w zale�no�ci od wiedzy, kt�r� zdobywamy podczas procesu projektowania. Poza tym nie stoimy ju� na niepewnym gruncie w tym sensie, �e nie musimy podawa� jednej konkretnej definicji wiedzy, kt�ra jest otwarta na debat� filozoficzn�, chocia� wci�� jeste�my otwarci na krytyk�, czy nasze zasady s� op�acalne z perspektywy in�ynierskiej ( tj. czy produkuj� "dobre" programy lub nie s� tak dobre, jak inne podej�cia). Ale ocena staje si� znacznie prostsza - wszystko, co musimy zrobi�, to oceni�, czy nasze zasady projektowania s� spe�nione. Poni�ej przedstawiono niekt�re zasady projektowania system�w opartych na wiedzy.

Zasada projektowania 9.1: System oparty na wiedzy musi by� systemem zorientowanym na agenta. System oparty na wiedzy musi by� systemem zorientowanym na agenta, kt�ry jest zgodny z nast�puj�cymi zasadami projektowania agenta - jest autonomiczny; jest reaktywny; jest proaktywny (przynajmniej). Argumentem za t� zasad� projektowania jest to, �e je�li projektujemy z wcielonej, usytuowanej perspektywy agenta, w�wczas ca�a wiedza nie mo�e istnie� niezale�nie od agent�w. Oznacza to, �e wiedza nie mo�e istnie� sama z siebie - mo�na j� znale�� jedynie w "umys�ach" agent�w, kt�re s� uciele�nione i usytuowane w otoczeniu. My r�wnie� chcemy zdefiniowa� i u�ywa� terminu "wiedza" w spos�b podobny do terminu u�ywanego w j�zyku naturalnym. �r�d�o s�owa "wiedza" pochodzi od czasownika "wiedzie�". Z perspektywy j�zyka naturalnego "wiedza" i "wiedza" s� ze sob� powi�zane. Na przyk�ad kamie� nie "niczego" nie "zna". Ale pies mo�e "wiedzie�", gdzie zakopa� ko��; i ma sens powiedzie� w j�zyku naturalnym, �e pies ma "wiedz�" o miejscu poch�wku ko�ci. Pies, w tym przypadku, jest agentem, a ska�a jest obiektem w �rodowisku. Innymi s�owy, zachowanie wiedzy jest powi�zane z agentem, kt�ry ma wiedz�. System oparty na wiedzy mo�e by� w�wczas uwa�any za agenta, kt�rego rol� jest przekazywanie wiedzy, kt�r� zawiera on u�ytkownikom systemu. Interakcja mi�dzy agentem u�ytkownika i agentem systemu mo�e by� scharakteryzowana przez dzia�ania, kt�re determinuj� zachowanie ka�dego agenta i czy agent u�ytkownika postrzega agenta systemu jako dzia�aj�cego w spos�b kompetentny. Prowadzi to do kolejnej zasady projektowania.

Zasada projektowania 9.2: System oparty na wiedzy musi by� w stanie odpowiedzie� na nasze pytania lub wykona� zadanie w spos�b, kt�ry uznajemy za kompetentny. System oparty na wiedzy musi mie� wiedz� na temat wykonywanego zadania. Poni�sze zasady projektowania opieraj� si� na w�a�ciwo�ciach "dobrych" system�w opartych na wiedzy zaproponowanych przez Russella i Norviga

Zasada projektowania 9.3: System oparty na wiedzy musi by� zwi�z�y. R�wnowaga powinna by� obowi�zuj�c� zasad�.

Zasada projektowania 9.4: System oparty na wiedzy musi by� jednoznaczny. Wiedza musi mie� wyra�ne znaczenie i nie mo�e by� otwarta na wi�cej ni� jedn� interpretacj�

Zasada projektowania 9.5: System oparty na wiedzy musi by� poinformowany i aktualny. System oparty na wiedzy nie mo�e by� nieaktualny.

Zasada projektowania 9.6: System oparty na wiedzy musi d��y� do jak najwi�kszej poprawno�ci. Wiedza nie powinna by� b��dna, b��dna, niedok�adna ani nieprecyzyjna

Zasada projektowania 9.7: System oparty na wiedzy musi by� tak kompletny, jak to tylko mo�liwe. Wiedza nie powinna by� niekompletna ze szczeg�ami brakuj�cymi.

Behawioralne podej�cie do wiedzy k�adzie nacisk nie na budowanie konkretnego, niezale�nego systemu, ale na budowanie agent�w, kt�re wykazuj� zachowania, kt�re pokazuj�, �e maj� wiedz� o swoim �rodowisku i innych agentach. W tym podej�ciu akt "poznania" wyst�puje, gdy agent ma informacje, kt�re mog� potencjalnie pom�c w wykonaniu dzia�ania podj�tego przez niego lub przez innego agenta. Ponadto, mo�na uzna�, �e agent ma "wiedz�", je�li wie, jakie s� prawdopodobne wyniki dzia�ania, kt�re mo�e wykona�, lub dzia�ania, kt�re wykonuje inny agent, lub co mo�e si� zdarzy� z obiektem w �rodowisku. W tej definicji wiedz� mo�na uwa�a� analogicznie za brak potrzeby poszukiwania; Oznacza to, �e agent nie musi stosowa� zachowa� w wyszukiwaniu, aby dowiedzie� si�, co mo�e si� wydarzy�, poniewa� ma ju� wiedz� o tym, co si� wydarzy.

Wiedza jako uzasadnione prawdziwe przekonanie

Standardow� definicj� wiedzy, przypisan� Platonowi, jest to, �e istniej� trzy warunki wymagane, aby agent m�g� posiada� wiedz� - wiedza musi by� uzasadniona, prawdziwa i wairygodna. Wiar� mo�na zdefiniowa� jako stan psychologiczny agenta, kt�ry utrzymuje konkretne stwierdzenie za prawdziwe, kt�re nie jest jeszcze w pe�ni poparte dowodami. Aby przekonanie mog�o sta� si� wiedz�, stwierdzenie, w kt�re wierzy agent, musi by� prawdziwe, a agent musi r�wnie� by� uzasadniony w swoich przekonaniach - innymi s�owy, musz� mie� pow�d, dla kt�rego my�l� (tj. dlaczego "wiedz�"). konkretne o�wiadczenie za prawdziwe. Na przyk�ad agent mo�e s�dzi�, �e stolic� Zjednoczonego Kr�lestwa jest Londyn, z pewnym uzasadnieniem. Zamiast tego mo�e by� inny agent , kt�ry fa�szywie wierz�y, �e stolic� Zjednoczonego Kr�lestwa jest Edynburg, a nie Londyn. Jednak wiadomo, �e nie jest to prawda, a poparcie dla wiary jest bardzo niewielkie. Znaczna cz�� literatury - w dziedzinie filozofii, matematyki, w dziedzinie Sztucznej Inteligencji i w�szej poddziedzinie system�w opartych na wiedzy - cz�sto sprawia, �e pragmatyczne za�o�enie, �e okre�lenie, czy co� jest prawdziwe czy fa�szywe, jest u�yteczn� rzecz� do zrobienia. W rzeczywisto�ci jednak, absoluty s� rzadkie i bardzo niewiele z naszej wiedzy jest zawsze ca�kowicie prawdziwe lub ca�kowicie fa�szywe. Odnosi si� to do naszego istnienia jako umiejscowionych, uciele�nionych agent�w, kt�re zapewniaj� ka�demu agentowi unikaln� perspektyw� �wiata, w kt�rym �yje, i kt�re powoduje, �e ka�dy agent nigdy nie jest w pe�nej zgodno�ci z sob� nad znaczeniem poj�� stanowi�cych podstaw� wiedza, umiej�tno�ci . Eksperyment My�lowy ilustruje niekt�re problemy z prawdami absolutnymi.

Eksperyment My�lowy : Spacer po lesie.

"Wszyscy k�ami�. Policjanci k�ami�. Prawnicy k�ami�. �wiadkowie k�ami�. Ofiary k�ami�. Proces jest konkursem k�amstw. I wszyscy na sali s�dowej o tym wiedz�. Nawet js�d to wie." -Michael Connelly w The Brass Verdict. Wyobra�my sobie nast�puj�cy scenariusz. M�czyzna o imieniu Bill stoi u podn�a du�ego wzg�rza na obrze�ach ma�ego miasta. Wczesnym wieczorem wybra� si� na wycieczk� po lesie i zatrzyma� si� na kilka chwil obok polany na drzewach, aby spojrze� na krajobraz. Kiedy on tam jest, jest �wiadkiem zbrodni w mie�cie, gdzie kto� w�amuje si� do czerwonego samochodu, kt�ry p�niej jest u�ywany w napadzie. Kilka miesi�cy p�niej zostaje wezwany do z�o�enia zezna� w s�dzie. Na pocz�tku pytaj� si� go, aby powiedzia�"prawd�, ca�� prawd� i tylko prawd�". Oczekuje si�, �e udzieli prawdziwych odpowiedzi na pytania oparte na faktach, a nie na spekulacjach. Zbadajmy ewentualne pytania, kt�re mog� mu zada� obro�ca (kt�ry broni osoby oskar�onej o zbrodnie i kradzie�e samochod�w). Co wa�ne, jak "prawdom�wny" mo�e by� Bill i jak �atwo mu to zapewni� tylko "fakty" w jego odpowiedziach?

Pytanie 1: Gdzie w lesie sta�e�? Obszar, w kt�rym szed�, by� stosunkowo p�aski i nie by� pewien dok�adnego miejsca. Odk�d zszed� ze szlaku, m�g�by spr�bowa� opisa�, gdzie stoi "gdzie� niedaleko skrzy�owania g��wnego szlaku i mniejszego szlaku u podn�a wzg�rza, oko�o 200 do 300 metr�w". W rzeczywisto�ci jest to wi�cej ni� 400 jard�w, poniewa� jest z�ym s�dzi� dystansu. W okolicy jest wiele wzg�rz, kt�rych nie mo�na odr�ni� od innych, z wyj�tkiem tego, �e lokalni mieszka�cy lubi� odr�nia� jedno konkretne wzg�rze, skoro szlaki zaczynaj� si� obok miasta i �atwo mo�na doj�� na szczyt. "Noga" wzg�rza nie znajduje si� nigdzie, poniewa� wzg�rze jest okr�g�e, a miasto rozpo�ciera si� nad najni�szym punktem po jednej stronie wzg�rza, a pod wzgl�dem technicznym Bill sta� po�rodku wzg�rza. W�ze� szlaku jest r�wnie� wielop�aszczyznowy, z wieloma ma�ymi �cie�kami, spowodowanymi przez tysi�ce os�b, kt�re na przestrzeni lat stosowa�y skr�ty, wi�c niemo�liwe jest podanie dok�adniejszej odleg�o�ci, poniewa� niemo�liwe jest precyzyjne okre�lenie "fakt�w". "Gdzie to skrzy�owanie w rzeczywisto�ci jest (do kilkunastu metr�w).

Pytanie 2: Na kt�rej polanie w drzewa patrzy�e�? Okazuje si�, �e jest wiele polanek, �adna w szczeg�lno�ci odr�nialna od innych. Podobnie jak wszyscy, kt�rzy kiedykolwiek przekazywali wskaz�wki zagubionym podr�nikom, Bill skupi� si� na cechach, kt�re uwa�a� za wa�ne dla niego, i ignorowa� inne cechy, kt�re by�y tak samo widoczne. (kt�re inni mog� zauwa�y�).

Pytanie 3: Jak d�ugo si� zatrzyma�e�? Nie ma absolutnej odpowiedzi na to pytanie, poniewa� czas jest ci�g�y. Potrafi odpowiedzie� "5 minut", "kilka minut", "kilkaset sekund" i "nie d�ugo". Je�li wymagana jest bardziej precyzyjna odpowied�, w�wczas "4 minuty 56,4" sekundy mog� by� bli�sze "prawdy", a nawet bardziej precyzyjnie "296.4317817819 ... sekundy". W pewnym sensie wszystkie te odpowiedzi odzwierciedlaj� prawd� i mo�na je uzna� za prawdziwe.

Pytanie 4: Kiedy przesta�e�? Bill nie mia� przy sobie zegarka, wi�c nie mo�e ustali� dok�adnego czasu. "Czasem wczesnym wieczorem, tu� przed zmierzchem, 30 minut przed zachodem s�o�ca" (wszystkie trzy s� "prawdziwe").

Pytanie 5: Jak by�o ciemno? Jak ciemno jest cokolwiek? To by� pocz�tek zmierzchu, w lesie, ale miasto wci�� by�o w s�o�cu. W pewnym sensie by� "wzgl�dnie" ciemny (w lesie), ale "wzgl�dnie" jasny (w mie�cie), a wi�c mia� "wzgl�dnie" dobry obraz post�powania, kt�rego by� �wiadkiem. Obiektywnie m�wi�c.

Pytanie 6: W jakim kierunku wygl�da�e�? "W stron� miasta przez luk� mi�dzy drzewami." Ale miasto to wielkie miejsce - trudno jest okre�li� dok�adny kierunek, w kt�rym patrzy, a pole widzenia Billa jest do�� du�e.

Pytanie 7: Jakiego koloru by� samoch�d, w kt�rym si� pojawi�? Bill my�li, �e kolor by� czerwony, ale jego definicja "zaczerwienienia" jest subtelnie r�na od definicji wszystkich innych, a poniewa� by� to pocz�tek zmierzchu, a wraz z pochyleniem kierunku promieni s�onecznych, zaczerwienienie przesun�o si� bardziej w stron� czerwono-pomara�czowej

Oczywi�cie, w przypadku wszystkich tych pyta� bardzo trudno jest udzieli� precyzyjnej odpowiedzi. S�d domaga si�, aby tylko fakty z sprawa powinna by� rozwa�ona, ale jakie s� "fakty"? Nie wie dok�adnie, gdzie si� znajduje ani gdzie si� znajduje szuka�em, albo jak ciemno by�o, albo dok�adnie jaki kolor by� samochodem. W tej sytuacji, jak mog� istnie� jakiekolwiek "fakty" w og�le? Oczekuje si� od niego jednak, �e dostarczy tylko prawdziwe odpowiedzi. Jest jeszcze jeden wa�ny czynnik, kt�ry nale�y wzi�� pod uwag�. Kolor skradzionego samochodu opisuje si� jako "czerwony". Ale jaki kolor jest "czerwony"? Spr�buj opisa� to osobie niewidomej. Lub spr�buj gra� w gr� zgadywania samochod�w opisan� w sekcji 7.8. W tej grze ka�da osoba w samochodzie wybiera kolor, z kt�rym chce si� bawi� - bia�y ma dobry kolor, ale czerwony i niebieski s� r�wnie� dobre. Gr� wygrywa osoba, kt�ra liczy najwi�ksz� liczb� samochod�w jad�cych w przeciwnym kierunku w tym samym kolorze, co wybrane. Najbardziej interesuj�c� rzecz� w tej grze jest liczba argument�w powoduje to, na przyk�ad, jak d�ugo gra si� gra, czy samochody "zatrzyma�y si�" przy poboczu drogi, oraz czy kolor ten by� "czerwony", a nie "r�owy" lub "fioletowy", kt�re si� nie licz�. Istnieje bardzo dobry pow�d, dla kt�rego istniej� argumenty dotycz�ce koloru niekt�rych samochod�w. �adne dwie osoby nie maj� dok�adnych danych ta sama definicja tego, co "czerwony" lub "niebieski" oznacza w ich umys�ach

R�ne rodzaje wiedzy

Zamiast pr�bowa� okre�li�, czym jest wiedza, mo�emy alternatywnie spr�bowa� zdefiniowa� r�ne rodzaje wiedzy, kt�re czasami mog� by� �atwiejsze. Na przyk�ad gepard i tygrys to dwa rodzaje zwierz�t o wyra�nych cechach, kt�re s� wzgl�dnie �atwiejsze do zdefiniowania w por�wnaniu do pr�bowania okre�lenia co to za zwierz� .Definiowanie r�nych rodzaj�w wiedzy mo�e pom�c nam uzyska� pewien wgl�d w to, jak mo�emy budowa� agent�w, kt�re wykazuj� wiedz� (w tym systemy oparte na wiedzy, uwa�ane za agent�w). Mo�emy zdefiniowa� agenta jako posiadaj�cego deklaratywn� wiedz�, je�li deklaruje, �e pewne stwierdzenie jest prawdziwe. Aby okre�li�, czy okre�lona wiedza jest deklaratywna, czy nie, agent mo�e zada� nast�puj�ce pytanie: "Czy ta wiedza mo�e by� prawdziwa czy fa�szywa?"; lub umie�ci� w inny spos�b: "Czy to prawda czy fa�sz, �e X?", gdzie X jest danym stwierdzeniem. Je�li pytanie ma charakter gramatyczny, mo�na go uzna� za wiedz� deklaratywn�. Na przyk�ad nast�puj�ce pytanie ma sens: "Czy to prawda czy fa�sz, �e moa nowozelandzki wymar�y?"; dlatego wiedza, �e moa Nowej Zelandii wygin�a, jest deklaratywna. Poni�sze pytania nie maj� sensu: "Czy jazda na rowerze mo�e by� prawd� czy fa�szem?" Oraz "Czy to prawda czy fa�sz, �e jedzie si� na rowerze?". Por�wnaj to pytanie z nast�puj�cymi, kt�re s� gramatyczne, a zatem deklaratywna wiedza, je�li agent wiedzia� to: "Czy to prawda czy fa�sz, �e moa nowozelandzkie mo�e je�dzi� na rowerze?" Innymi s�owy, kiedy agent deklaruje, �e co� jest albo prawd� o k�amstwie, to m�wi si�, �e ta wiedza jest deklaratywna, i czy ta wiedza jest Fa�szywe lub nie ma sensu w realnym �wiecie wci�� nie powstrzymuje go od deklaratywnej wiedzy. Odno�nie prawdy (czy deklaracja jest prawdziwa, czy fa�szywa), nale�y zauwa�y�, �e w rzeczywisto�ci absoluty s� rzadko�ci� i bardzo ma�� cz�ci� naszego wiedza jest zawsze ca�kowicie prawdziwa lub ca�kowicie fa�szywa (jak wskazano w poprzedniej sekcji). W jaki spos�b ta definicja deklaratywnej wiedzy pasuje do wiedzy zdefiniowanej powy�ej jako brak potrzeby poszukiwania? Rozwa�my nast�puj�ce: agent bez uprzedniej wiedzy o tym, czy deklaracja jest prawd� lub fa�szem, musi najpierw skonsultowa� si� z innym agentem, albo musi zg��bi� lub dokona� obserwacji �rodowiska, aby dowiedzie� si�, co jest prawdziwe lub fa�szywe. Obie s� czynno�ciami, kt�re agent musi podj��, aby znale�� odpowied�. M�wi si�, �e agent zna ju� odpowied�, je�li nie musi wykonywa� akcji przeszukiwania. Mo�emy zdefiniowa� agenta jako posiadaj�cego wiedz� proceduraln�, je�li wie, jak wykona� sekwencj� czynno�ci, aby zapewni�, �e deklaracja X stanie si� prawdziwa. Aby ustali�, czy konkretna wiedza jest proceduralna, czy nie, agent mo�e zada� nast�puj�ce pytanie: "Jakie dzia�ania musz� wykona�, aby m�c zadeklarowa�, �e X jest prawdziwe?" Je�li pytanie ma sens, mo�na uzna�, �e by� wiedz� proceduraln�. Na przyk�ad nast�puj�ce pytanie ma sens: "Jakie dzia�ania musz� wykona�, aby m�c stwierdzi�, �e je�d�� na rowerze jest prawd�". Pytanie, czy wiedza w systemach opartych na wiedzy powinna by� deklaratywna czy proceduralna, by�o w�ciek�� debat� w dziedzinie sztucznej inteligencji. Jak to cz�sto bywa w przypadku debat typu "Czy dziobak jest ssakiem?", Po obu stronach argumentacji jest zas�uga, poniewa� pewna wiedza jest z natury deklaratywna, a inna wiedza jest z natury proceduralna - na przyk�ad, gdy ludzie licz�, �e stosuj� procedura, ale faktyczne informacje dotycz�ce nazwisk os�b i nazw lokalizacji na mapie maj� charakter deklaratywny. Debata dostarczy�a wgl�d w niekt�re kwestie dotycz�ce kategoryzacji wiedzy, ale z pragmatycznej perspektywy projektowania, badacze AI skupili si� bardziej na budowaniu przydatnych system�w, a zatem wybior� najbardziej odpowiednie narz�dzie dla danego zadania. Wiedza na temat zada� czasami r�ni si� od wiedzy proceduralnej. Wiedz� o zadaniu mo�na uzna� za wyspecjalizowan� form� wiedzy proceduralnej, w kt�rej celem dzia�a� jest rozwi�zanie zadania (np. Znalezienie odpowiedzi na konkretne pytanie). Wiedza behawioralna to wiedza, kt�r� agent ma o prawdopodobnych wynikach zachowa� (swoich i innych agent�w). Agent ma wiedz� epizodyczn�, je�li wie, kiedy stwierdzenie X sta�o si� prawd�. Agent ma wiedz� wyja�niaj�c�, je�li potrafi wyja�ni�, co spowodowa�o sekwencj� dzia�a�, kt�re doprowadzi�y do tego, �e o�wiadczenie X sta�o si� prawdziwe. Wreszcie mo�emy stwierdzi�, �e agent wywnioskowa� wiedz�, je�li wykorzysta� istniej�c� wiedz� do okre�lenia nowej wiedzy, kt�ra nie by�a dost�pna w �aden inny spos�b. Mo�emy rozr�ni� r�ne rodzaje wiedzy wed�ug typ�w pyta�, na kt�re agent mo�e poprawnie odpowiedzie�, korzystaj�c z ich wiedzy. Deklaracyjna wiedza mo�e by� wykorzystana do odpowiedzi na pytanie "Co to jest ...?" I "Gdzie jest ...?"; wiedz� epizodyczn� mo�na wykorzysta� do odpowiedzi na pytania: "Kiedy si� ... zdarzy�o?"; wiedz� procesow� i zadaniow� mo�na wykorzysta� w celu udzielenia odpowiedzi na pytania "Jak mog� / ty ...?"; wiedza behawioralna mo�e by� wykorzystana do odpowiedzi na pytania "Co, je�li ja / ty ...?"; a wnioskowa wiedza mo�e by� u�yta do odpowiedzi na pytania "Je�li ... jest prawd�, to jest ... prawda?" i "Co, je�li ... by�o prawd�?". Mo�emy r�wnie� rozszerzy� znaczenie wywnioskowanej wiedzy poza tradycyjn� definicj� opart� na logice, kt�ra wi��e si� z wnioskiem, czy pewne stwierdzenie jest prawdziwe, czy fa�szywe. Rozwa� sytuacj�, w kt�rej agent prowadzi rozmow� z innym agentem, na przyk�ad gdy jedna osoba rozmawia z inn� osob� lub gdy kto� rozmawia z chatbotem. Powiedzmy, �e ta rozmowa jest obserwowana przez zewn�trznego agenta (np. Trzecia osoba, a mo�e osoba obserwuj�ca osob�-rozmow� chatbotow� w ramach testu Turinga). Ten obserwator b�dzie m�g� oceni�, jak dobrze s�dzi ka�dy z agent�w, kt�rzy wykonali swoj� cz�� rozmowy. B�dzie to zale�a�o od tego, czy obserwator uzna, �e odpowiedzi s� odpowiednie. W pewnym sensie obserwator wykorzysta� swoj� w�asn� wiedz� na temat tego, co jest w�a�ciwe do wydania takiego os�du. Agenci zrobili to samo, pr�buj�c utrzyma� rozmow�. Mo�na to uzna� za przyk�ad wywnioskowanej wiedzy. W takim przypadku znajomo�� w�a�ciwej odpowiedzi nie mo�e zosta� uzyskana bezpo�rednio poprzez przejrzenie tabeli odno�nik�w odpowiednich odpowiedzi, poniewa� liczba stwierdze� j�zykowych mo�e by� uwa�ana za nieograniczon� (liczb� rzeczy, kt�re dana osoba mo�e powiedzie�, oraz liczb� odpowiedzi, jest zasadniczo niesko�czony). Zamiast tego, odpowiednia odpowied� musi by� skonstruowana (to jest wywnioskowana) w pewien spos�b. Niekt�re podej�cia do reprezentacji wiedzy i sztucznej inteligencji Reprezentacja wiedzy dotyczy problemu, w jaki spos�b wyrazi� wiedz� w bazie wiedzy. Podstawowym celem reprezentacji wiedzy jest modelowanie inteligentnego zachowania przy za�o�eniu, �e inteligentne zachowanie agenta wymaga wiedzy o nim samym i innych agentach, obiektach i ich relacjach, sposobie rozwi�zywania zada� i prawach, kt�re rz�dz� �rodowiskiem, w kt�rym agent znajduje samo w sobie. "Hipoteza reprezentacji wiedzy" (przypisywana Smithowi, 1985) zak�ada przypuszczenie, �e dla inteligentnych agent�w behawioralnych wykorzystuje si� baz� wiedzy, kt�ra w pewien spos�b reprezentuje wiedz� o �wiecie. "Sp�r o reprezentacj� wiedzy" dotyczy tego, w jaki spos�b wiedza powinna by� reprezentowana, niezale�nie od tego, czy nale�y j� wykorzystywa� przede wszystkim w oparciu o symbole, czy te� za pomoc� podej�cia nie symbolicznego. Podej�cie symboliczne to klasyczne podej�cie do sztucznej inteligencji, czasami nazywane "dobr� staro�wieck� sztuczn� inteligencj�" lub GOFAI. Opiera si� na hipotezie "fizycznego systemu symboli", kt�ra stwierdza, �e system oparty na przetwarzaniu symboli ma "niezb�dne i wystarczaj�ce �rodki dla og�lnego inteligentnego dzia�ania". Symbole w tym przypadku s� rzeczami, kt�re reprezentuj� lub reprezentuj� co� innego przez skojarzenie. J�zyk ludzki sk�ada si� z symboli; na przyk�ad s�owo "moa" jest symbolem reprezentuj�cym koncepcj� nowozelandzkiego ptaka przedstawionego powy�ej. W dziedzinie reprezentacji wiedzy symbole s� zwykle oznaczone przez identyfikator w j�zyku programowania. Symboliczne podej�cie do sztucznej inteligencji jest podej�ciem opartym na wiedzy, wymagaj�cym budowania baz wiedzy o znacznej wiedzy na temat ka�dej dziedziny problemowej. Wykorzystuje filozofi� projektowania odg�rnego sk�adaj�c� si� z kilku poziom�w: "poziomu wiedzy" na g�rze, kt�ry okre�la ca�� wiedz� potrzebn� systemowi; "poziom symbolu", w kt�rym wiedza jest okre�lona w symbolicznych strukturach i identyfikatorach w niekt�rych j�zykach programowania (na przyk�ad przy u�yciu list lub tabel w NetLogo); oraz "poziom implementacji", kt�re s� faktycznie wykonywanymi operacjami przetwarzania symboli. Natychmiast pojawiaj� si� problemy z symbolicznym podej�ciem do reprezentowania wiedzy. Na przyk�ad spr�buj u�y� symboli (na przyk�ad s��w), aby opisa�:

* jak wygl�da obraz Mona Lisa po prawej stronie (dla osoby niewidomej od urodzenia);

* d�wi�k dudy (dla osoby g�uchej);

* smak mleka;

* jak wygl�da papier �cierny;

* jak pachnie kawa. S�owa wydaj� si� niewystarczaj�ce do tego zadania. Zwr�� uwag�, �e wszystkie pi�� zmys��w jest tutaj reprezentowanych - wzrok, s�uch, smak, uczucie i zapach; i u�ywanie s��w do opisania tego, co odczuwamy, mo�e by� problematyczne - cz�sto zostawiamy "walk� o s�owa", to cz�sto spotykane angielskie wyra�enie. Inne popularne angielskie wyra�enie m�wi "obraz rysuje tysi�c s��w". Je�li chodzi o problem wyra�ania twarzy osoby za pomoc� jedynie symboli, na przyk�ad twarzy na obrazie Mony Lisy, �adna ilo�� s��w nie wystarcza, mimo �e obraz by� przedmiotem niezliczonych esej�w i ksi��ek. Przeciwstawne podej�cie, zwane "po��czeniem", odrzuca klasyczne podej�cie symboliczne, i zamiast tego zaleca, aby inteligentne zachowanie by�o wynikiem przetwarzania pod-symbolicznego - to znaczy przetwarzania bod�c�w zamiast symboli; na przyk�ad przy u�yciu sztucznych sieci neuronowych, kt�re zawieraj� po��czone ze sob� sieci prostych jednostek przetwarzania. Tutaj wiedza jest przechowywana jako wzorzec znajomo�ci masy neuronu. W tym podej�ciu stosuje si� oddoln� filozofi� projektu lub podej�cie "animat", najpierw pr�buj�c zduplikowa� zdolno�ci przetwarzania bod�c�w i systemy kontroli prostszych zwierz�t, takich jak owady, a nast�pnie pr�buj�c stopniowo podnosi� drabin� ewolucyjn� ze wzrastaj�c� z�o�ono�ci�. Podej�cie to podkre�la "problem uziemienia symbolu" - problem, w jaki spos�b symbole nabieraj� znaczenia i postuluje "hipotez� o fizycznym pod�o�u", kt�ra stwierdza, �e znaczenie symboli musi by� ugruntowane w fizycznym uciele�nionym do�wiadczeniu agenta poprzez jego interakcj� ze �rodowiskiem. Kwestia, czy wiedza i inteligentne zachowanie powinny by� reprezentowane symbolicznie lub niesymbolicznie, by�a trwaj�c� debat� w dziedzinie Sztucznej Inteligencji od czasu, gdy w po�owie lat osiemdziesi�tych pojawi� si� podsymboliczny spos�b podej�cia do sztucznej inteligencji wraz z odrodzeniem si� po��czenia z ideami Brooksa dotycz�cymi dolnej granicy. w g�r�, uciele�nione, usytuowane, oparte na zachowaniu podej�cie do sztucznej inteligencji. Jak to cz�sto bywa w przypadku tego typu debat, podobnie jak wspomniana powy�ej debata na temat deklaracji i procedur, nie ma za co obu stron argumentu, poniewa� niekt�re zadania, takie jak odpowiadanie na pytania i rozumowanie oparte na regu�ach, s� bardziej dostosowane do podej�cie symboliczne, a niekt�re rodzaje wiedzy stwarzaj� trudno�ci dla obu podej��, takich jak rozpoznawanie twarzy dla przetwarzania symbolicznego, oraz informacje o j�zyku naturalnym dla przetwarzania pod symbolami za pomoc� sztucznych sieci neuronowych . Opracowano wiele innych podej��, niekt�re proponuj� po��czenie przetwarzania symbolicznego i podsystemu, na przyk�ad automat�w usytuowanych. Przyjrzymy si� temu drugiemu podej�ciu bardziej szczeg�owo, poniewa� jest on przydatny do podkre�lenia niekt�rych wa�nych kwestii dotycz�cych reprezentacji wiedzy. G�rdenfors postuluje, �e to, co jest fundamentalne dla naszych ludzkich zdolno�ci poznawczych, to nasza zdolno�� do przetwarzania poj��, a te wy�aniaj� si� z rozproszonej reprezentacji syndykalist�w na najni�szym poziomie, gdzie przetwarzane s� bod�ce z receptor�w, i po��czy�, tworz�c struktury symboliczne na najwy�szym poziomie, jak pokazano w Tabeli

Poziom modelu : Reprezentacja : Opis

Symboliczny : Zadaniowy Oparty na danym zbiorze predykat�w o znanej denotacji. Reprezentacje s� oparte na operacjach logicznych i sk�adniowych

Poj�ciowy : Geometryczny : Na podstawie zbioru "wymiar�w jako�ci". Reprezentacje s� oparte o poj�cia topologiczne i geometryczne.

Asocjacjonizm : Konekcjonistyczny : W oparciu o (niezinterpretowane) dane wej�ciowe od receptor�w. Rozpowszechniane reprezentacje wed�ug dynamicznych wag po��cze�

Koncepcje stanowi� podstaw� wiedzy. Poj�cie to jednostka znaczenia reprezentuj�ca abstrakcyjn� ide� lub kategori�. Mo�emy my�le� o koncepcjach jako analogicznych do atom�w - atomy s� podstawowymi elementami buduj�cymi materi�, podobnie jak poj�cia s� podstawowymi elementami wiedzy. W podej�ciu G�rdenfors poj�cia s� reprezentowane jako regiony w przestrzeni n-wymiarowej, w analogiczny spos�b, jak mapa topograficzna przedstawia ukszta�towanie terenu, z podobnymi poj�ciami reprezentowanymi w regionach geometrycznych, kt�re s� usytuowane przestrzennie blisko siebie, jak pokazano na rysunku.

W tym przyk�adzie r�ne rodzaje zwierz�t, takie jak ssaki, gady i ptaki, znajduj� si� w r�nych regionach w przestrzeni. G�rdenfors wykorzystuje szeroki zakres eksperymentalnych dowod�w z wielu dziedzin, aby wesprze� swoje argumenty. Na przyk�ad z dziedziny psychologii poznawczej istniej� dowody empiryczne, �e ludzie wykorzystuj� prototypy, aby zapewni� kognitywny punkt odniesienia dla ka�dej koncepcji. Podej�cie G�rdenfor w naturalny spos�b pozwala na przedstawienie prototyp�w - prototypowa koncepcja, na przyk�ad robin, u�ywana jako punkt odniesienia dla koncepcji ptaka, b�dzie umiejscowiona centralnie w geometrycznej przestrzeni rodzica. Koncepcje, kt�re nie s� u�ywane jako prototypy, b�d� coraz bardziej oddalone, na przyk�ad pingwiny i emu. Mo�emy zilustrowa� ten prosty eksperyment my�lowy. Pomy�l o ptaku. Kt�ry ptak sobie wyobra�a�e�? Eksperymenty wykaza�y, �e wi�kszo�� ludzi pomy�li o robinie, wr�blu lub podobnym ptaku, a nie o emu czy pingwina. Mechanizm, kt�ry G�rdenfors proponuje do konstruowania poj��, wykorzystuje proces oparty na tesselacji Voronoi za pomoc� prototyp�w w celu rozbicia przestrzeni w regiony wypuk�e, jak pokazano za pomoc� linii prostych na powy�szym rysunku. Wielowymiarowa geometria dla przestrzeni poj�ciowej skonstruowana jest z tego, co G�rdenfors nazywa "wymiarami jako�ciowymi", kt�re odpowiadaj� r�nym sposobom oceniania bod�ca agenta jako podobnego lub innego. Podstawow� funkcj� wymiar�w jako�ciowych jest reprezentowanie r�nych cech lub cech obiekt�w. Niekt�re przyk�ady to temperatura, waga, jasno��, wysoko�� i wymiary przestrzenne, takie jak wysoko��, szeroko�� i g��boko��. G�rdenfors nazywa te "domeny". U�ywa poj�cia "jab�ka", aby zilustrowa� rozr�nienie mi�dzy domen� a regionem:

Domena : Region

Owoce : Warto�ci dla sk�ry, cia�a i rodzaju nasion.

: Czerwony, zielony, ��ty.

Smak : Warto�ci dla s�odyczy, kwaskowato�ci itp.

Kszta�t : "Okr�g�y" obszar przestrzeni kszta�tu.

Od�ywcze : Warto�ci dla cukru, witaminy C, w��kien itp.

Jako kolejny przyk�ad, eksperymenty z ludzkim postrzeganiem domeny koloru pokazuj�, �e przestrze� poj�ciowa koloru jest opisana za pomoc� trzech wymiar�w jako�ci - jasno�ci, barwy i nasycenia. (Dla por�wnania smak dla ludzi ma cztery wymiary jako�ci - s�odycz, kwaskowato��, gorycz i zasolenie). Model Color Cylinder NetLogo pokazuje, jak wygl�da ta przestrze�. Ten model rysuje kolorowy okr�g zawieraj�cy r�ne warto�ci odcienia i nasycenia dla okre�lonej warto�ci jasno�ci, kt�r� mo�na regulowa� za pomoc� suwaka Interfejs mi�dzy zakresem ca�kowitym od 0 do 255, jak pokazano na rysunku

W celu obni�enia warto�ci jasno�ci (patrz lewy obraz na rysunku) kolory staj� si� coraz bardziej ciemniejsze, a ca�y okr�g staje si� czarny, gdy warto�� jasno�ci jest ustawiona na 0, podczas gdy kolory zw�aj� si� w kierunku bia�ego w �rodku okr�gu, gdy suwak jasno�ci ustawiony jest na 255 (jak na prawym obrazku). Cylinder koloru wy�wietla pe�ny zakres mo�liwych kolor�w we wszystkich warto�ciach barwy, stauracji i jasno�ci. Ludzie u�ywaj� szerokiego zakresu s��w w j�zyku, aby opisa� kolor. Dowody empiryczne pokazuj�, �e w r�nych kulturach i grupach etnicznych ludzie zgadzaj� si� na podobne obszary przestrzeni barw, aby odnie�� si� do podstawowych poj�� dotycz�cych koloru, takich jak czerwony, zielony i niebieski. Jednak model butli kolorowej wyra�nie pokazuje, �e nie ma wyra�nych granic mi�dzy kolorami, a jeden kolor stopniowo ��czy si� z innym. Dlatego niemo�liwe jest, aby m�c dok�adnie wytycza� region powi�zany z konkretnym kolorem. Na przyk�ad spr�buj narysowa� granic� dla koloru ��tego na prawym obrazku powy�szego rysunku. Mo�emy wyra�nie zobaczy�, gdzie jest kolor ��ty, ale granice z s�siednimi kolorami - czerwonymi i zielonymi po obu stronach i bia�ymi w �rodku - s� niewyra�ne. Zadanie okre�lania tego, co jest ��te, staje si� jeszcze trudniejsze w trzech wymiarach, gdy uwzgl�dniamy r�wnie� zmian� jasno�ci. W�a�nie dlatego wyst�puj� nieporozumienia (tak jak w przypadku gry polegaj�cej na oddywaniu samochod�w opisanej w sekcji wcze�niejszej i wspomnianej w eksperymencie my�lowym 9.1), poniewa� ka�dy cz�owiek b�dzie mia� niewielk� zmienno�� w tym, co postrzega ��ty region do zrobienia. Dowody empiryczne pokazuj�, �e r�nice w regionach poj�ciowych wyst�puj� nie tylko dla kategorii kolor�w, ale tak�e dla wielu innych podstawowych kategorii, takich jak smak. G�rdenfors pozwala r�wnie� na abstrakcyjne koncepcje i dostarcza przekonuj�cego wyja�nienia, dlaczego definiowanie wiedzy kategorialnej jest tak trudne, i dlaczego podej�cie czysto symboliczne nigdy nie b�dzie ca�kowicie zadowalaj�ce. Dziobak, nietoperz i archeopteryks na przyk�ad na rysunku 2 wyst�puj� trudno�ci z kategoryzacj�, przy czym ta ostatnia jest szczeg�lnie trudna, poniewa� znajduje si� na granicy mi�dzy kategori� gad�w a kategori� ptak�w. G�rdenfors wyja�nia r�wnie�, jak wa�ne s� kombinacje poj�� takich jak "drewniana �y�ka" okre�lane na podstawie korelacji mi�dzy domenami, kt�re s� wsp�lne dla oddzielnych poj�� "drewno" i "�y�ka". W tym przypadku domeny s� wielko�ci� i materia�em, a to powoduje, �e my�limy o drewnianej �y�ce jako du�ej, a nie ma�ej, gdy wyobra�amy sobie, jak mo�e wygl�da�. W niekt�rych przypadkach znaczenie poj�cia zale�y od kontekstu, w kt�rym wyst�puje. Na przyk�ad woda z kranu o tej samej letniej temperaturze mo�e by� postrzegana jako gor�ca, je�li zostanie umieszczona w szklance, a zimna, je�li zostanie umieszczona w wannie. �atka niebieskiego nieba b�dzie si� r�ni� "b��kitem" w zale�no�ci od pory dnia, jasno�ci, zachmurzenia nieba, deszczu w ci�gu ostatniego miesi�ca i tak dalej. G�rdenfors ilustruje tak�e wa�n� rol�, jak� kontekst odgrywa w okre�laniu znaczenia na podstawie poni�szego przyk�adu. Kolor czerwony ma r�ne znaczenia w nast�puj�cych kombinacjach koncepcji: "czerwona ksi��ka" (kolor, kt�ry naszym zdaniem jest bliski do standardowej definicji koloru czerwonego); czerwone wino (zbli�one do koloru fioletowego?); rude w�osy (zbli�one do koloru miedzi?); czerwona sk�ra (tawny?); czerwona ziemia (ochra?); i sekwoja (r�owawy br�z?). Model przestrzeni konceptualnej pokonuje niekt�re niedobory wcze�niej odmiennych symbolicznych i sub-symbolicznych podej�� do reprezentacji wiedzy i sztucznej inteligencji, postuluj�c �redni poziom reprezentacji. Zapewnia wiarygodne wyja�nienie aspekt�w reprezentacji wiedzy cz�owieka, takich jak kategoryzacja za pomoc� prototyp�w, kombinacja koncepcji i rola kontekstu w formowaniu poj�cia znaczenia, kt�re przedstawia trudno�ci innym modelom. Ma r�wnie� znaczenie dla projektowania uciele�nionych, usytuowanych agent�w, poniewa� pokazuje, w jaki spos�b mo�emy budowa� wiedz� bez potrzeby stosowania semantyki uziemienia symboli. Odnosi tak�e wiedz� do miejsc w przestrzeniach n-wymiarowych, aby�my mogli scharakteryzowa� inteligentne zachowanie (na przyk�ad my�lenie) jako ruch w tej przestrzeni w spos�b analogiczny do u�ywania map do nawigowania i reprezentowania topograficznego terenu.

Problemy z in�ynieri� wiedzy

In�ynieria wiedzy to proces budowania system�w opartych na wiedzy. Model NetLogo Knowledge Representation zosta� opracowany w celu zilustrowania i por�wnania r�nych metod reprezentacji wiedzy oraz pokazania, w jaki spos�b mo�na je zastosowa� do r�nych typ�w rozumowania w dziedzinie problemu klasyfikacji. Model zapewnia trzy przyk�adowe problemy in�ynierii wiedzy. Zoo Animals jest uproszczeniem klasycznego przyk�adu z Winstona (1977). Problem New Zealand Birds zosta� wprowadzony wcze�niej jak r�wnie� drzewo decyzyjne zwi�zane z problemem . Problem Sailing Boats jest przyk�adem opisanym przez Negnevitsky'go

Nazwa problemu : Opis problemu

Zoo Animals : Zidentyfikowa� nazw� zwierz�cia w zoo.
New Zealand Bird : Zgadnij nazw� ptaka nowozelandzkiego.
Sailing Boats : Okre�laj� rodzaj �odzi, kt�ra p�ynie obok w paradzie wielkich �aglowc�w

Te trzy przyk�adowe problemy to problemy "zabawkowe", a nie rzeczywiste problemy. Wymienienie pe�nej wiedzy i skalowanie do nietrywialnego problemu w �wiecie rzeczywistym przedstawia wiele trudno�ci i nadal jest aktywnym obszarem bada� w Sztucznej Inteligencji. Jednak zalet� tych przyk�ad�w jest ich prostota i przydatno�� do zilustrowania tego, jak modele r�ni� si�..

Wiedza bez reprezentacji

W pozosta�ych sekcjach om�wimy r�ne metody reprezentowania wiedzy - za pomoc� map, regu� i logiki, ram, drzew decyzyjnych i sieci semantycznych. Zanim jednak to zrobimy, musimy najpierw zada� wa�ne pytanie: "Czy mo�liwe jest posiadanie wiedzy bez reprezentacji?" Innymi s�owy, czy agent lub agenci mog� uzyska� wiedz� bez �adnego wyra�nego mechanizmu reprezentowania wiedzy uzyskanej w baza wiedzy? Je�li jest to mo�liwe, wydaje si� to pocz�tkowo sprzeczne z hipotez� o reprezentacji wiedzy. Jednak ta hipoteza zak�ada, �e dla inteligentnego zachowania agent lub agent musi reprezentowa� wiedz� o �wiecie; dlatego te�, je�li agent lub agenci mog� zdobywa� wiedz� bez reprezentacji, to wed�ug tej definicji nie wykazuj� inteligentnego zachowania. Widzieli�my ju�, jak wiedza bez reprezentacji jest mo�liwa w wielu modelach NetLogo, w kt�rych agenci wykorzystuj� stygmergi� - model Ants i modele termit�w. W tych przypadkach "wiedza" jest przechowywana w �rodowisku wewn�trz kompleksu struktury powstaj�ce, gdy system agent�w i �rodowisko samoorganizuj� si�. Chocia� ka�dy agent nie posiada wiedzy indywidualnie, ca�a kolonia agent�w posiada wiedz�. Ale czy mo�emy powiedzie�, �e ci agenci u�ywaj�cy stygmergii naprawd� zdobyli wiedz�? Zgodnie z definicj�, �e wiedza to brak potrzeby poszukiwania, to na przyk�ad mr�wki zdoby�y wiedz� na temat po�o�enia pobliskich �r�de� �ywno�ci, kt�re nast�pnie mog� przekaza� kolonii, a zatem inni agenci s� w stanie pod��a� �cie�k� z powrotem do �r�d�a po�ywienia bez podejmowania decyzji, kt�r� drog� wybra�. Mo�na argumentowa�, w zale�no�ci od twojej definicji inteligencji, �e te mr�wki r�wnie� wykazuj� szcz�tkow� form� sztucznej inteligencji, poniewa� dzia�aj� i zachowuj� si� w inteligentny spos�b, aczkolwiek w ograniczonym sensie.

Reprezentowanie wiedzy za pomoc� map

Mapy s� jedn� z najstarszych metod wykorzystywanych przez ludzi do reprezentowania wiedzy. Na przyk�ad najwcze�niejsze mapy �wiata stanowi� ilustracj� post�pu ludzkiej wiedzy geograficznej na przestrzeni wiek�w. Najstarsz� znan� na �wiecie map� jest Imago Mundi, czyli tablica z gliny z VI wieku pne, datowana na oko�o 600 r. Pne, zamieszka�a w British Museum, przedstawiaj�ca znany �wiat babilo�ski z Asyri�, Babiloni� i Armeni (patrz zdj�cie po prawej). Obraz pokazuje, �e znajomo�� geografii �wiata w tamtym czasie by�a wyra�nie ograniczona, podobnie jak jako�� mapowania. Rysunek 9.4 przedstawia dwie dalsze wczesne mapy �wiata.

Ten po lewej to mapa sporz�dzona przez Posidoniusa (150-130 pne) przedstawiaj�ca map� obejmuj�c� g��wnie Morze �r�dziemne, Europ� po�udniow�, po�udniowo-zachodni� Azj� i p�nocn� Afryk�. Ten po prawej jest autorstwa Abrahama Orteliusa w 1570 roku. Pokazuj� one post�p w zakresie wiedzy i jako�ci mapowania, z map� "Typvs orbis terrarvm" wyprodukowan� przez Orteliusa najbli�ej kszta�tu do wsp�czesnych map �wiata. Wszystkie trzy przyk�ady ilustruj� wa�n� cech� tego rodzaju map geograficznych. Z samej swej natury, jako dwuwymiarowej reprezentacji �wiata 3D, wszystkie mapy maj� b��dy w reprezentacji - to znaczy, �e nie w pe�ni odzwierciedlaj� rzeczywisto��. Jest to widoczne, gdy mapy pokazane na obrazach s� por�wnywane z mapami wsp�czesnego �wiata. Na przyk�ad mapa Orteliusa odbiega w znacznym stopniu od rzeczywisto�ci w jej obrazie kontynentu p�nocnoameryka�skiego, odzwierciedlaj�c stan wiedzy w chwili, gdy Krzysztof Kolumb odkry� Ameryk� dopiero w 1492 roku. Mapy r�wnie� odbiegaj� od rzeczywisto�ci, je�li s� statyczn� reprezentacj� �rodowiska, kt�re reprezentuje mapa - na przyk�ad �wiat jest dynamicznym i ci�gle zmieniaj�cym si� miejscem, kt�re zosta�o przemienione przez ludzi przez wieki, odk�d wczesne mapy zosta�y najpierw narysowane. Ka�da mapa staje si� bardziej u�yteczna, je�li jest rzetelnym odbiciem prawdziwego �ycia, ale w wielu przypadkach stylizowane obrazy pojawiaj� si�, gdy relacje mi�dzy s�siednimi obiektami na mapie s� wypaczone, aby odzwierciedli� celowe podkre�lanie cz�ci programu odwzorowuj�cego lub z powodu innych element�w. takie powody, jak brak wiedzy, celowe stronniczo�� lub niedopatrzenie. Ten nieod��czny b��d mapowania powinien by� brany pod uwag� w poni�szej dyskusji na temat tradycyjnych form reprezentacji wiedzy. Reprezentatywn� wiedz� mo�na uwa�a� za analogiczn� do mapowania w tym sensie, �e podejmowana jest pr�ba dok�adnego odzwierciedlenia abstrakcyjnego n-wymiarowego �rodowiska kosmicznego, ale proces mapowania spowoduje powstanie nieod��cznych b��d�w mapowania spowodowanych zniekszta�ceniami, b��dami, celowym naciskiem, nastawieniem, nadzorem i brakiem wiedzy . Znaczenie map jako metody reprezentowania wiedzy jest cz�sto pomijane w obszarze Sztucznej Inteligencji w tradycyjnej dyskusji na temat tego, jak reprezentowa� wiedz�. Bezdyskusyjnie jednak mapy zawieraj� bogactwo wiedzy. Pojawienie si� Google Maps i Google Earth ilustruje zdolno�� map internetowych do reprezentowania szerokiej gamy wiedzy. Mapa Central Park South w Nowym Jorku pokazana na rysunku 9.5 wykonana za pomoc� modelu NetLogo Map Drawing zawiera r�wnie� bogactwo wiedzy w tym sensie, �e osoba odwiedzaj�ca Central Park po raz pierwszy mo�e korzysta� z mapy, aby znale�� drog� bez wiedzy gdzie wszystko jest z g�ry. Wiedza faktyczna lub deklaratywna jest wyra�nie reprezentowana przez nazwy miejsc na mapie, takie jak Tavern on the Green, Sheep Meadow, Cherry Hill i Wollman Rink. Przedstawione s� tak�e relacje tych lokalizacji z innymi lokalizacjami, takie jak lokalizacje s�siaduj�ce ze sob� i wzgl�dne odleg�o�ci mi�dzy nimi. �cie�ki narysowane na mapie zapewniaj� r�wnie� wyra�n� wiedz� o tym, jak to zrobi� aby dosta� si� mi�dzy r�nymi miejscami. �cie�ki te mo�na traktowa� jako zapewniaj�ce wiedz� proceduraln� o krokach, kt�re nale�y wykona� (np. Czy skr�ci� w lewo lub w prawo, czy i�� prosto), aby uzyska� mi�dzy dwoma lub wi�cej punktami. �cie�ki przedstawione na mapie r�wnie� zapewni� dalsz� wiedz�, tak� jak ich szeroko�� oraz to, czy s� one proste czy kr�te, tj. mog� by� wykorzystane do wnioskowania, czy s� �atwiejsze, czy szybsze do na�ladowania. Ka�dy, kto odwiedza Central Park lub korzysta z Google Earth, aby powi�kszy� t� sam� lokalizacj�, wkr�tce zorientuje si�, �e brakuje wielu informacji i zawiera wiele nie�cis�o�ci z mapy pokazanej na rysunku.

Jednak�e, tak jak mapy Hampton Court Palace i Chevening House pokazane w poprzednich cz�ciach mog� by� u�ywane do poruszania si� po prawdziwych labiryntach ogrodowych, mapa Central Park South mo�e by� r�wnie� przydatna, aby pom�c ludziom odnale�� si� i nie zgubi� si� pomimo te niedoci�gni�cia. Mapa przedstawia r�wnie� przede wszystkim informacje topograficzne, w kt�rych brakuje innych informacji - na przyk�ad mapa nie uwzgl�dnia fakt�w historycznych, takich jak wypasanie owiec na ��ce owiec do 1934 r. (St�d nazwa), a Tavern on the Green zosta�a przekszta�cona z owcze pi�ro, w kt�rym mie�ci si� trzoda. Flake (1998, strony 416-423) w swojej ksi��ce "Computational Beauty of Nature" zauwa�a, �e �rodowiska, modele dla �rodowiska i wyszukiwania s� nierozerwalnie ze sob� powi�zane. Zwracaj�c uwag�, �e termin "model" mo�e oznacza� r�ne rzeczy w r�nych kontekstach, definiuje go jako dobrze zdefiniowany proces, kt�ry mapuje dane wej�ciowe na wyj�cia, kt�re mo�na dostroi� za pomoc� parametr�w. Poszukiwanie jest wtedy procesem wyboru najlepszych parametr�w, aby model m�g� by� zbli�ony do otoczenia. U�ywa przyk�adu wzoru matematycznego f (x; a, b, c) = asin (bx - c), kt�ry mo�e by� u�yty do modelowania procesu okresowego. Ta funkcja fal sinusoidalnych mo�e, ale nie musi by� dobrym modelem do tego, co dzieje si� w �rodowisku, w kt�rym odbywa si� proces okresowy. Oczywi�cie taki model by�by ca�kowicie niewystarczaj�cy jako reprezentacja wi�kszo�ci �rodowisk, kt�re zwykle s� znacznie bardziej z�o�one. Jednak ten prosty model fali sinusoidalnej mo�na dostroi�, szukaj�c trzech parametr�w a, b i c, kt�re odzwierciedlaj� amplitud�, cz�stotliwo�� i faz� fali sinusoidalnej, kt�ra najlepiej pasuje do okresowego �rodowiska procesowego. U�ywaj�c analogii �cie�ki w prawdziwym �yciu, proces okresowy generuje okre�lon� �cie�k� przez �rodowisko graficzne 2D. Sama �cie�ka mo�e by� przybli�onym przybli�eniem do �cie�ki generowanej przez rzeczywiste obserwacje, kt�re odnosz� si� do bezw�adno�ci wahad�a, �redniej temperatury sezonowej lub cyklu ksi�ycowego na przyk�ad. Modele zdefiniowane przez Flake mo�na uzna� za analogiczne do map topograficznych. My�lenie o modelu jako o mapie �rodowiska �ci�lej wi��e u�ywany j�zyk angielski, kt�ry opiera si� na metaforze topograficznej kryj�cej si� za koncepcj� �rodowiska. Mo�emy rozwa�y� wyszukiwanie, kt�re Flake odwo�uje si� do procesu pr�bowania narysowania mapy, kt�ra �ci�le odzwierciedla to, co obserwuje si� w �rodowisku. Formu�a reprezentuje klas� map �cie�ki, a parametry a, b i c po wyliczeniu okre�laj� konkretn� instancj� klasy - czyli jedn� konkretn� map�, kt�ra mo�e pasowa� do rzeczywistej �cie�ki dobrze, lub mo�e nie. Je�li mapa dobrze pasuje, mo�emy u�y� jej jako u�ytecznej pomocy, aby pom�c nam modelowa� �rodowisko i przewidywa� na jego temat. Jednak u�ycie terminu "�rodowisko" wywo�uje my�l mentaln�, �e jeste�my w stanie go w jaki� spos�b przeszuka�, co mo�e powodowa� zamieszanie. Je�li u�yjemy analogii mapy topograficznej, mo�liwe jest mniejsze zamieszanie w por�wnaniu z tymi dwoma rodzajami wyszukiwania, kt�re s� mo�liwe - z kt�rych jednym jest poszukiwanie dobrego modelu �rodowiska lub tego, co dzieje si� w �rodowisku, a drugie to poszukiwanie samo �rodowisko. Oznaczymy te dwa rodzaje wyszukiwania w nast�puj�cy spos�b: wyszukiwanie map i wyszukiwanie eksploracji (lub po prostu "mapowanie" i "eksploracja"), aby podkre�li� analogie tworzone z ich rzeczywistymi odpowiednikami. Podczas eksploracji agent mo�e odwo�ywa� si� do mapy podczas wykonywania wyszukiwania. Mapa mo�e, ale nie musi by� dobrym odzwierciedleniem tego, co istnieje w �rodowisku w czasie wykonywania nawigacji. Dlatego agent musi nieustannie poprawia� lub aktualizowa� swoj� wewn�trzn� map�, aby osi�gn�� post�p do jej celu. Koncepcyjnie mapy mog� by� u�ywane do reprezentowania wielu r�nych rodzaj�w wiedzy, nie tylko wiedzy topograficznej, poniewa� mapy mog� by� u�ywane do wizualizacji wiedzy reprezentowanej przez wielowymiarowe dane w n-wymiarowym �rodowisku przestrzeni. Jednym z takich przyk�ad�w s� diagramy Venna opracowane przez Johna Venna oko�o roku 1880. Diagramy Venna zapewniaj� spos�b reprezentowania logicznych relacji mi�dzy zestawami, gdzie regiony na wykresie reprezentuj� zbiory lub klasy, a obszary nak�adaj�ce si� - przeci�cia mi�dzy zestawami. Regiony te mo�na zidentyfikowa� za pomoc� etykiet, jak pokazano na rysunku

Diagram Venna na tej figurze przedstawia wiedz� dotycz�c� czterech zwierz�t z ogrod�w zoologicznych, gepard�w, tygrys�w, zebry i �yraf, niezale�nie od tego, czy s� to ssaki, zwierz�ta mi�so�erne, czy zwierz�ta kopytne, oraz cech, kt�re je odr�niaj�, na przyk�ad od tego, czy zwierz�ta maj� ciemne plamy, ciemnobr�zowy kolor czy d�uga szyja. Chocia� na diagramie przedstawiono przedstawione s� miejsca wyst�powania poj�� takich jak ssaki i ich logiczne relacje zamiast tradycyjnych cech geograficznych, takich jak kraje, drogi i miejsca, podobnie jak w przypadku mapy po�udniowej w Central Parku i na �wiecie, mo�na j� jednak uzna� za mapa w sensie topologicznym. Istnieje r�wnie� oczywista korelacja mi�dzy tym sposobem reprezentowania wiedzy a podej�ciem do przestrzeni koncepcyjnych G�rdenfors Reprezentowanie wiedzy za pomoc� map zdarze� Tematem ca�ego tomu by�o wykorzystanie map do przedstawiania tego, co dzieje si� w r�nych �rodowiskach, zar�wno rzeczywistych, wirtualnych, jak i abstrakcyjnych (tj. N-wymiarowe �rodowisko kosmiczne). Omawiaj�c r�ne metody reprezentowania wiedzy (takie jak regu�y, logika, ramki i drzewa decyzyjne) w kolejnych sekcjach, ka�d� z metod mo�na uwa�a� za analogiczn� do procesu reprezentowania topograficznego terenu za pomoc� map. Model NetLogo, kt�ry zosta� opracowany w celu zilustrowania i por�wnania r�nych modeli, modelu reprezentacji wiedzy, wykorzystuje �rodowisko wy�wietlania NetLogo do wizualizacji w dw�ch wymiarach wiedzy dotycz�cej ka�dego z trzech problem�w z zabawkami. Jak wspomniano powy�ej, wizualizacje te mog� by� uwa�ane za jako mapy abstrakcyjnego �rodowiska, kt�re reprezentuje opisywan� wiedz�. Aby pom�c w wizualizacji r�nych typ�w reprezentacji wiedzy, model reprezentacji wiedzy korzysta z kodu NetLogo, kt�ry by� r�wnie� u�ywany w przypadku wydarze� nast�puj�cych po Wall. oraz modele zdarze� modelowania j�zyka. Przekszta�ca r�ne formy reprezentacji wiedzy w ramach wsp�lnej struktury opartej na "zdarzeniach", gdzie zdarzenie mo�e by� wydarzeniem zmys�owym (dane wej�ciowe od jednego ze zmys��w), wydarzeniem motorycznym (ruch cia�a agenta) lub wydarzeniem abstrakcyjnym ( po��czenie zdarze� zmys�owych, motorycznych lub abstrakcyjnych). Podej�cie jest podobne do podej�cia przyj�tego dla przetwarzania strumienia zdarze� (ESP) i z�o�one przetwarzanie zdarze� (CEP). Ramy stosowane tutaj uwa�aj�, �e agent jednocze�nie rozpoznaje i przetwarza wiele strumieni zdarze�, kt�re odzwierciedlaj� to, co dzieje si� z samym sob� i otoczeniem. Ka�de zdarzenie jest reprezentowane przez stan w sko�czonym komputerze stanu, kt�ry jest oznaczony nazw� strumienia, po kt�rym nast�puje nazwa zdarzenia. Przej�cia mi�dzy stanami nie s� oznaczone - po prostu wskazuj�, �e jedno zdarzenie nast�puje po drugim. Zdarzenia wyst�puj� w okre�lonej kolejno�ci (�cie�ce) zdefiniowanej przez przej�cia stanu przez sie� zdarze�. Je�li okre�lone zdarzenie nie wyst�puje po innym zdarzeniu, w�wczas nie ma szczeg�lnego przej�cia mi�dzy stanami, a zatem zdarzenie to nie jest rozpoznawane przez agenta (tj. Jest ignorowane i nie ma wp�ywu na zachowanie agenta). Przetwarzanie zdarze� odbywa si� w spos�b reaktywny - to znaczy, �e okre�lona �cie�ka przechodzi przez sukcesywne dopasowywanie zdarze�, kt�re obecnie wyst�puj� do agenta, w stosunku do wychodz�cych przej�� z ka�dego w�z�a. Je�li nie ma �adnych przej�� wychodz�cych lub �adne nie pasuj�, �cie�ka jest �lepym zau�kiem, w kt�rym to momencie traversal si� zatrzyma. Odbywa si� to jednocze�nie dla ka�dego zdarzenia; innymi s�owy, istnieje wiele punkt�w pocz�tkowych, a zatem jednoczesne aktywacje w ca�ej sieci. Mo�emy uzna�, �e sie� jest "map� zdarze�" - stany reprezentuj� punkty w przestrzeni n-wymiarowej, a wielowymiarowo�� punkt�w w przestrzeni jest zredukowana do dw�ch wymiar�w. Odbywa si� to przez to, �e ka�dy stan reprezentuje jeden wymiar i jego warto��, a nast�pnie zapewnia ��cza do dalszych stan�w wzd�u� uporz�dkowanej �cie�ki przez stany reprezentuj�ce ka�dy z pozosta�ych wymiar�w. Redukcja z N-wymiarowa przestrze� do dwuwymiarowej przestrzeni dla wizualizacji dodaje dalsze informacje, poniewa� narzuca konkretny porz�dek wymiar�w wyznaczony przez �cie�ki, aby osi�gn�� stan ko�cowy, kt�ry reprezentuje punkt wielowymiarowy. Tr�jwymiarowy punkt, reprezentowany przez krotk� (D1 = warto��1, D2 = warto��2, D3 = warto��3) mo�na na przyk�ad przedstawi� na mapie zdarze� jako trzy po��czone stany o etykietach [D1 = warto��1], [D2 = warto��2] i [D3 = warto��3], przy czym trzeci stan odpowiada tr�jwymiarowi. punkt, ale osi�galny tylko przez dwa poprzednie stany. Ta specyficzna kolejno�� wymiar�w nie istnia�a z oryginalnymi danymi n-wymiarowymi. Jednak�e stany drogi s� ze sob� powi�zane, daje nam szans� reprezentowania rentowno�ci okre�lonej �cie�ki - w podobny spos�b, jak realny zestaw �cie�ek ��cz�cych ze sob� dwie lokalizacje, takie jak Fontanna Bethesda i Ko�o Kolumba na mapie South Central Park. Nie ma te� powodu, aby�my nie mogli reprezentowa� alternatywnych �cie�ek na mapie zdarze� z innymi �cie�kami, kt�re nie zosta�y zilustrowane jako po prostu ignorowane. Podczas korzystania z prawdziwej mapy do nawigacji, takiej jak mapa South Central Park, dana osoba cz�sto tworzy "mentaln� map�" w swoim umy�le, kt�ra jest uproszczeniem z rzeczywistej mapy sposobu wykonywania nawigacji. Na przyk�ad, rzut oka na rysunek 9.5 poka�e, �e najprostsz� drog� pomi�dzy Zoo a Stawem �odzi jest wyj�cie w kierunku najbli�szych wie�owc�w na 65. Ulic�, skr�canie w lewo, nast�pnie kontynuowanie a� do 74. ulicy, a nast�pnie skr�t w lewo do parku. Ta mentalna mapa koncentruje si� na zadaniu w r�ku - jak najlepiej dotrze� do Stawu �odzi - i ma znacznie mniej szczeg��w i mniejsz� dok�adno�� ni� rzeczywiste mapy, ale wci�� jest wystarczaj�co dobra, aby pom�c osi�gn�� cel. Reprezentacj� mapy mentalnej tego odwzorowania na mapie zdarze� pokazano na rysunku

Mapa zdarze� przedstawia uporz�dkowan� sekwencj� zdarze�, kt�re musz� wyst�pi� przed osi�gni�ciem celu dotarcia do Stawu �odzi. Ta sekwencja zako�czy si� sukcesem niezale�nie od punktu pocz�tkowego w ZOO, dop�ki agent b�dzie zmierza� w kierunku najbli�szych wie�owc�w i nie b�dzie wymaga�, aby agent ustali� jej aktualn� orientacj� wzgl�dem p�nocy. Mapa zdarze� wiedzy dla problemu klasyfikacji Zoo Zoo jest pokazana na rysunku

Wiedza w tym przypadku jest okre�lona jako drzewo decyzyjne. Na rysunku przedstawiono sie� zdarze� rozwijaj�cych si� z centralnego stanu z prawej o nazwie animal = "Tak". R�ne w�z�y li�ci s� stanami reprezentuj�cymi, kiedy okre�lony typ zwierz�cia zosta� rozpoznany, na przyk�ad drapie�nik (�rodkowe dno) lub kopytny (np. �rodkowy wierzcho�ek), lub okre�lone zwierz�, takie jak gepard (u g�ry po lewej) lub �yrafa (u do�u po prawej) . Stany te reprezentuj� wielowymiarowe punkty w przestrzeni n-wymiarowej, kt�re reprezentuj� poj�cia "mi�so�erca", "ungulate", "gepard" i "�yrafa", podobnie jak w przestrzeniach koncepcyjnych G�rdenforsa. Teraz jest ju� jasne, dlaczego ta reprezentacja jest nazywana "map�" zdarzenia - tak jak mapa topograficzna przedstawia tr�jwymiarowy teren w 2D, mapa zdarze� reprezentuje r�wnie� punkty w przestrzeni n-wymiarowej w 2D. Model NetLogo oparty na reprezentacji wiedzy wygenerowa� t� konkretn� map� zdarze�, ustawiaj�c interfejs wyboru interfejsu KR na "drzewo decyzyjne", a selektor interfejsu wyboru "problem" na "zwierz�ta z zoo". Mo�emy animowa� mapy zdarze�, pokazuj�c, w jaki spos�b agenci poruszaj� si� po mapie podczas wnioskowania, podobnie w jaki spos�b animowane s� algorytmy przeszukiwania w cz�ciach 7 i 8. Poni�ej znajduje si� opis bardziej tradycyjnych form reprezentacji wiedzy, ale z uciele�nionej, usytuowanej perspektywy za pomoc� mechanizmu mapowania zdarze� do wizualizacji wiedzy i animowania procesu rozumowania wiedzy.

Reprezentowanie wiedzy za pomoc� regu� i logiki

Klasyczne metody reprezentowania wiedzy u�ywaj� regu� lub logiki. Tabela przedstawia wiedz� na temat problemu zwierz�t w zoo w dw�ch formatach - za pomoc� regu� po lewej stronie, zaimplementowanych w modelu NetLogo opartym na wiedzy i przy u�yciu logiki pierwszego rz�du po prawej.

Regu�y s� cz�sto u�ywane w systemach eksperckich opartych na regu�ach i s� albo wyra�nie okre�lone przez in�yniera wiedzy (zwykle w procesie zwanym "pozyskiwaniem wiedzy" od eksperta cz�owieka), albo pochodz� z danych przy u�yciu algorytmu uczenia maszynowego lub algorytmu eksploracji danych . Regu�y wykorzystuj� logiczn� form� do wnioskowania. Logika jest u�yciem technik symbolicznych i matematycznych do rozumowania dedukcyjnego, a wywodzi si� z dyscypliny Arystotelesa. Oparta na regu�ach metoda reprezentacji wiedzy u�ywa regu� IF-THEN (nazywanych czasami regu�ami warunkowania) w celu okre�lenia wiedzy. Wszystkie zasady dotycz�ce okre�lonego problemu tworz� podstaw� regu�, a baza wiedzy obejmuje trzy elementy: list� regu� w bazie regu�; lista znanych fakt�w w bazie fakt�w; i system inferencji, kt�ry przetwarza regu�y, aby wyprowadzi� nowe fakty za pomoc� jakiej� formy rozumowania. Regu�a sk�ada si� z cz�ci IF, kt�ra jest zbiorem warunk�w (zwanych antecedentami), kt�re musz� zosta� spe�nione zanim zasada zostanie okre�lona jako "ogie�", aby wykona� zestaw czynno�ci w TEJ cz�ci (zwanej nast�pnikami). Na przyk�ad w przypadku regu�y R1 w tabeli 9.5, je�li spe�niony jest warunek "zwierz� ma w�osy" - to znaczy, �e w bazie wiedzy jest znany fakt, �e zwierz� klasyfikowane ma w�osy, to zasada jest zwalniana, a dzia�anie jest dodanie do bazy wiedzy kolejnego "gatunku ssaka". W cz�ci IF regu�y mo�e wyst�powa� wiele warunk�w. Na przyk�ad regu�a R4 ma trzy warunki, kt�re musz� zosta� spe�nione, zanim b�dzie mo�na wystrzeli�. Warunki te s� oddzielone s�owem kluczowym AND i dlatego te warunki s� nazywane "sp�jnikami". Je�li zosta�yby rozdzielone s�owem kluczowym OR, nazwano by je "disjunctions". W przypadku modelu NetLogo opartego na reprezentacji wiedzy regu�y dotycz� tylko koniunkcji zosta�y wdro�one. Zestaw regu� i spos�b ich zdefiniowania dla problemu zwierz�t w zoo i Nowej Zelandii pokazano w Kodzie NetLogo

if (select-problem = "Zoo animals")
[
setup-rule ;; rule: IF animal has hair
;; THEN species is mammal
[["has hair" "Yes"]]
[["species" "mammal"]]
setup-rule ;; rule: IF animal gives milk
;; THEN species is mammal
[["gives milk" "Yes"]]
[["species" "mammal"]]
setup-rule ;; rule: IF animal eats meat
;; THEN species type is carnivore
[["eats meat" "Yes"]]
[["species type" "carnivore"]]
setup-rule ;; rule: IF animal has pointed teeth AND animal has claws
;; AND animal has forward eyes
;; THEN species type is carnivore
[["has pointed teeth" "Yes"] ["has claws" "Yes"]
["has forward eyes" "Yes"]]
[["species type" "carnivore"]]
setup-rule ;; rule: IF animal is mammal AND animal has hooves
;; THEN mammal group is ungulate
[["species" "mammal"] ["has hooves" "Yes"]]
[["species type" "ungulate"]]
setup-rule ;; rule: IF species is mammal AND animal chews cud
;; THEN mammal group is ungulate
[["species" "mammal"] ["chews cud" "Yes"]]
[["species type" "ungulate"]]
setup-rule ;; rule: IF species is mammal
;; AND species type is carnivore
;; AND animal has tawny colour
;; AND animal has dark spots
;; THEN animal is cheetah
[["species" "mammal"] ["species type" "carnivore"]
["has tawny colour" "Yes"] ["has dark spots" "Yes"]]
[["animal" "cheetah"]]
setup-rule ;; rule: IF species is mammal
;; AND species type is carnivore
;; AND animal has tawny colour
;; AND animal has black stripes
;; THEN animal is tiger
[["species" "mammal"] ["species type" "carnivore"]
["has tawny colour" "Yes"] ["has black stripes" "Yes"]]
[["animal" "tiger"]]
setup-rule ;; rule: IF species is ungulate AND animal has dark spots
;; AND animal has long neck
;; THEN animal is giraffe
[["species type" "ungulate"] ["has dark spots" "Yes"]
["has long neck" "Yes"]]
[["animal" "giraffe"]]
setup-rule ;; rule: IF species is ungulate
;; AND animal has black stripes
;; THEN animal is zebra
[["species type" "ungulate"] ["has black stripes" "Yes"]]
[["animal" "zebra"]]
]
if (select-problem = "New Zealand birds")
[
setup-rule ;; rule: IF bird can fly AND bird is a parrot
;; AND bird is alpine
;; THEN bird is a kea
[["can fly" "Yes"] ["parrot" "Yes"] ["alpine" "Yes"]]
[["bird" "Kea" ]]
setup-rule ;; rule: IF bird can fly AND bird is a parrot
;; AND bird is not alpine
;; THEN bird is a kaka
[["can fly" "Yes"] ["parrot" "Yes"] ["alpine" "No"]]
[["bird" "Kaka"]]
setup-rule ;; rule: IF bird can fly AND bird is not a parrot
;; AND bird has white throat
;; THEN bird is a tui
[["can fly" "Yes"] ["parrot" "No"] ["has white throat" "Yes"]]
[["bird" "Tui"]]
setup-rule ;; rule: IF bird can fly AND bird is not a parrot
;; AND bird does not have a white throat
;; THEN bird is a pukeko
[["can fly" "Yes"] ["parrot" "No"] ["has white throat" "No"]]
[["bird" "Pukeko"]]
setup-rule ;; rule: IF bird cannot fly AND bird is an extinct bird
;; AND bird is large
;; THEN bird is a moa
[["can fly" "No"] ["extinct" "Yes"] ["large" "Yes"]]
[["bird" "Moa"]]
setup-rule ;; rule: IF bird cannot fly AND bird is extinct
;; AND bird is not large
;; THEN bird is a huia
[["can fly" "No"] ["extinct" "Yes"] ["large" "No"]]
[["bird" "Huia"]]
setup-rule ;; rule: IF bird cannot fly AND bird is not extinct
;; AND bird has long beak
;; THEN bird is a kiwi
[["can fly" "No"] ["extinct" "No"] ["has long beak" "Yes"]]
[["bird" "Kiwi"]]
setup-rule ;; rule: IF bird cannot fly AND bird is not extinct
;; AND bird does not have a long beak
;; THEN bird is a weta
[["can fly" "No"] ["extinct" "No"] ["has long beak" "No"]]
[["bird" "Weta"]]
]

Regu�y s� definiowane za pomoc� procedury regu�y ustawiania, kt�ra jest wymieniona w poni�szym kodzie NetLogo.

breed [rules rule]
rules-own
[
antecedents ; if part of rule - list of necessary propositions for
; rule to be true consequents ; then part of rule - list of propositions that are
; the conclusions of the rule
]
to setup-rule [alist clist]
;; Creates a new rule with the specified antecedents (alist)
;; and consequents (clist)
create-rules 1
[ hide-turtle ; make invisible
set antecedents alist
set consequents clist ]
end

Regu�y s� zdefiniowane jako oddzielny typ agent�w, kt�re zawieraj� dwie zmienne: poprzednicy, kt�ra jest list� niezb�dnych zda� lub fakt�w, aby regu�a by�a prawdziwa (jest to cz�� IF regu�y); i nast�pniki, kt�re s� list� wniosk�w (to jest TO cz�� zasady). Procedury setup-rule pobiera dwie listy zda� jako argumenty - alist jako list� poprzedzaj�cych i clist jako list� nast�pnik�w. Propozycje s� reprezentowane za pomoc� dwuelementowej listy, kt�ra zawiera atrybut i jego warto��. Ta lista dwuelementowa mo�e zosta� przekonwertowana na opis angielski poprzez wstawienie "is" mi�dzy dwoma elementami na li�cie. Na przyk�ad lista ["mo�e lata�" "Tak"] reprezentuje propozycj� "mo�e lata� to Tak"; to jest propozycja, �e ptak mo�e lata�. Podobnie, lista ["typ gatunku" "ssak"] jest twierdzeniem, �e typem gatunku dla zwierz�cia jest ssak. Okre�lenie regu� w tym formacie pozwala nam na ich wizualizacj� za pomoc� map zdarze�. Reprezentacja Wiedzy robi to, wykorzystuj�c procedur� dodawania zdarze�, jak pokazano w NetLogo Code
to add-rule-to-event-map [this-rule]
; adds the rule as a set of linked states to the event map network
let events []
foreach [consequents] of this-rule
[
set events lput ? ([antecedents] of this-rule) vadd-events events white white white
]
end
to setup-rules-event-map [problem]
;; setups an event map network of states from the rules
foreach sort rules
[
add-rule-to-event-map ?
]
repeat 5 [ change-layout ]
display
end

Procedura add-rule-to-event-map dodaje jako list� zdarze� do mapy zdarze� list� poprzednik�w w okre�lonej regule dla ka�dego z jej nast�pnik�w. Dodaje on konkretny wynik jako zdarzenie na ko�cu listy poprzedzaj�cych, tak, �e konsekwencja zako�czy si� na ko�cu �cie�ki na mapie zdarze�. Regu�y instalacyjne-event-map robi to dla wszystkich regu�. Proces ten b�dzie oznacza�, �e regu�y z typowymi poprzednikami trafi� do tej samej ga��zi. Wynik dla problemu ptak�w nowozelandzkich pokazano na rysunku

Ta metoda wizualizacji regu� pozwala nam dostrzec zwi�zki mi�dzy regu�ami - pokazuje, �e regu�y dziel� si� na dwie sieci, jak na rysunku, z ptakami, kt�re mo�e lata� po prawej, a ptaki po lewej nie. Zasady te mo�na �atwo przekszta�ci� w logik� pierwszego rz�du. Na przyk�ad zasady pokazane po lewej w tabeli powy�ej s� r�wnie� okre�lone jako "zdania" w logice pierwszego rz�du po prawej stronie. Zdania w logice pierwszego rz�du reprezentuj� stwierdzenia o �wiecie zawieraj�cym obiekty o okre�lonych w�a�ciwo�ciach. Zdania mog� sk�ada� si� z wielu sk�adnik�w: sta�ych symboli, kt�re odnosz� si� do okre�lonego obiektu na �wiecie; terminy b�d�ce wyra�eniami logicznymi odnosz�cymi si� do okre�lonego obiektu; symbole predykat�w odnosz�ce si� do okre�lonej relacji (takie jak "Has_hair" i "Mammal"); logiczne po��czenia ?, ?, ? i ? (wymawiane jako "implikuje", "i", "lub" i "jest r�wnoznaczne z" odpowiednio "); kwantyfikator uniwersalny pron (wymawiane jako "dla wszystkich"); i kwantyfikator egzystencjalny ? (wymawiane jako "istnieje"). Na przyk�ad wyra�enie "Wszystkie ssaki maj� w�osy" mo�e by� przedstawione w logice pierwszego rz�du za pomoc� zdania ?x Has_hair (x) ?Mammal (x). To zdanie mo�na odczyta� jako "dla wszystkich x, je�li x ma w�osy, to oznacza, �e x jest ssakiem". Kwantyfikator uniwersalny s�u�y do stwierdzenia, �e og�lny stan zachowuje si� dla wszystkich obiekt�w na �wiecie, a kwantyfikator egzystencjalny s�u�y do stwierdzenia okre�lonego warunku dla co najmniej jednego obiektu na �wiecie. Symbol ? s�u�y do stwierdzenia implikacji (regu�y), z za�o�eniem lub poprzednikami po lewej stronie symbolu, a tak�e wnioskami lub poprzednikami z prawej strony symbolu. Symbol r�wnowa�no�ci (?) okre�la, �e lewa strona symbolu jest odpowiednikiem prawej strony symbolu. Negacja jest okre�lona za pomoc� - symbolu (wymawiane "nie").

Powody u�ywania regu� i logiki

Mo�emy wykorzysta� wiedz� okre�lon� przez regu�y i zdania logiczne do wnioskowania nowej wiedzy w procesie zwanym rozumowaniem. Istniej� r�ne "regu�y wnioskowania", kt�re pozwalaj� nam to zrobi�. Na przyk�ad, je�li wiemy, �e zwierz� A1 ma wskazane z�by, ma skierowane do przodu oczy i ma szpony, tj. Has_pointed_teeth (A1) i Has_forward_eyes (A1) i Has_claws (A1) s� prawdziwe, to mo�emy wywnioskowa� z regu�y R4, �e zwierz� A1 jest drapie�nikiem, tj. Carnivore (A1) Ta szczeg�lna zasada wnioskowania nazywa si� "Modus Ponens" lub eliminacj� Imienia, poniewa� tworzy nowe zdanie poprzez usuni�cie symbolu implikacji, ?. Zasady te s� oczywiste i wynikaj� bezpo�rednio z znaczenia r�nych symboli. Na przyk�ad zasada Modus Ponens wynika bezpo�rednio ze znaczenia symbolu ?. Zasady Eliminacji i Wprowadzania, Wprowadzania i Eliminacji Podw�jnej Negacji wynikaj� bezpo�rednio ze znacze� symboli ?, ? i -. Podobnie pozosta�e trzy regu�y wynikaj� z znaczenia symboli ? i ?. Dalsze zasady i wi�cej szczeg��w mo�na znale�� w Russell i Norvig. Na pocz�tku odnotowano pewne obserwacje dotycz�ce zwierz�t obserwowanych na afryka�skiej sawannie. Celem jest ustalenie, kt�re zwierz� jest obserwowane. Dow�d zaczyna si� od konwersji obserwacji w form� logiczn� pierwszego rz�du przy u�yciu egzystencjalnego kwantyfikatora (P1). P2 do P5 u�ywa eliminacji egzystencjalnej do wnioskowania indywidualnych predykat�w dotycz�cych zwierz�cia oznaczonego jako A1. Pozosta�a cz�� dowodu wykorzystuje Universal Elimination i Modus Ponens, aby doj�� do wniosku, �e zwierz� to zebra - to znaczy, �e Zebra (A1) okaza�a si� prawdziwa. W Knowledge Representation klikni�cie przycisku go-reasoning rozpoczyna proces wnioskowania. Je�li suwak KR-type jest ustawiony na "rules", u�ytkownik zostanie poproszony o wybranie typu rozumowania, kt�rego chce u�y� - do przodu lub do ty�u. Oba te typy rozumowania u�ywaj� wyszukiwania zbada� n-wymiarow� przestrze�, kt�ra reprezentuje wiedz�. Ta n-wymiarowa przestrze� jest pokazana na mapie zdarze� przedstawionej w �rodowisku NetLogo po klikni�ciu przycisku "setup - knowledge" w interfejsie . Gdy proces wnioskowania przebiega,mapa wydarze� jest animowana przez agrafki przedstawione za pomoc� kszta�tu osoby (w ten sam spos�b�e przedstawiano agent�w walker�w badaj�cych przestrzenie wyszukiwania zwi�zane z r�nymi problemami wyszukiwania). Ta animacja procesu wnioskowania wyra�nie wzmacnia analogi� rozumowania jako proces wyszukiwania.Rysunek 9.10 zawiera dwa zrzuty ekranu pokazuj�ce, jak to wygl�da w przypadku problemu klasyfikacji ptak�w nowozelandzkich.

Obraz po lewej pokazuje zrzut ekranu po zako�czeniu wnioskowania do przodu, co doprowadzi�o do wniosek, �e klasyfikowany ptak to Kea. Zrzut ekranu pokazuje �cie�k� procesu wnioskowania osi�gn�� cel, u�ywaj�c grubszych link�w. W tym przypadku �cie�ka by�a bezpo�rednia. Pierwszy odwiedzony stan by� stan [can fly = "Yes"] w �rodkowym prawym rogu obrazu. Powoduje to nast�puj�ce pytanie u�ytkownika - "Czy ptak mo�e lata�?". �cie�ka przechodzi nast�pnie do nast�pnego stanu oznaczonego [parrot = "Yes"]. Wida� to po tym, �e ��cze jest nieco szersze ni� inne ��cza, kt�re nie zosta�y przetestowane. Pada pytanie "Czy ptak to papuga?". �cie�ka nast�pnie przechodzi do stanu oznaczonego [alpine = "Yes"], kt�ry generuje pytanie "Czy ptak jest ptakiem alpejskim?". Ostatecznie �cie�ka ko�czy si� na stanie ko�cowym oznaczony [bird = "Kea"], kt�ry jest stanem docelowym, a zatem wniosek jest taki ptak to Kea. Ta �cie�ka jest przestrzegana, poniewa� dopasowywana jest jedna regu�a - w tym przypadku regu�� jest pierwsz� regu�� w bazie wiedzy zdefiniowanej we wcze�niejszym NetLogo Code, z list� poprzednik�w ["can fly" "Tak"] ["parrot" "Tak"] ["alpine" "Tak"] i kolejne listy ["bird" "Kea"]. Obraz po prawej stronie na rysunku pokazuje, jak przebiega rozumowanie wstecz. Na pocz�tku u�ytkownik jest pytany, kt�ry cel chce udowodni�. Je�li u�ytkownik wybierze [bird kea], agent spacerowy zostanie narysowany w stanie oznaczonym [bird = "Kea"], aby pokaza�, �e jest to stan celu. Proces rozumowania nast�pnie pr�buje udowodni� cel, zadaj�c te same pytania, co w przypadku dalszego procesu wnioskowania. Na obrazie �cie�ka zosta�a przetransportowana a� do stanu [alpine = "Yes"], a jeszcze jedno ��cze, kt�re trzeba przej��, potrzebne do udowodnienia celu. Obraz prawej r�ki na rysunku pokazuje, jak przebiega rozumowanie wstecz. Na pocz�tku u�ytkownik jest pytany, kt�ry cel chce udowodni�. Je�li u�ytkownik wybierze [bird kea], agent spacerowy zostanie narysowany w stanie oznaczonym [bird = "Kea"], aby pokaza�, �e jest to stan celu. Proces rozumowania nast�pnie pr�buje udowodni� cel, zadaj�c te same pytania, co w przypadku dalszego procesu wnioskowania. Na obrazie �cie�ka zosta�a przetransportowana a� do stanu [alpine = "Yes"], a jeszcze jedno ��cze, kt�re trzeba przej��, potrzebne do udowodnienia celu. Ten konkretny przyk�ad jest stosunkowo prosty. W przypadku bardziej skomplikowanego przyk�adu, takiego jak klasyfikowanie zwierz�cia z zoo jako geparda, proces wnioskowania spowoduje animacj� przeskakuj�c� wok� mapy zdarzenia. W szczeg�lno�ci proces przekazywania argument�w mo�e spowodowa�, �e wiele zapyta� zostanie zapytanych, zanim dojdzie do wniosku, jak pokazano na rysunku

W przypadku rozumowania naprz�d, proces rozpoczyna si� od znanych fakt�w i post�puje naprz�d, pr�buj�c znale�� regu�� w bazie regu�, dla kt�rej poprzednicy pasuj� do fakt�w. Za ka�dym razem, gdy regu�a si� zgadza, jest "wystrzeliwana", a nast�pniki dodawane s� do bazy wiedzy jako nowe fakty. Regu�a mo�e by� dopasowana tylko pewnego razu. Pe�ny cykl "match-fire" ma miejsce, gdy wszystkie regu�y w bazie regu� zosta�y przetworzone. Je�li co najmniej jedna regu�a zosta�a uruchomiona, rozpoczyna si� nowy cykl przy pierwszej regule bazy regu�. Proces trwa, dop�ki w cyklu nie zostan� uruchomione �adne inne regu�y. Kod, kt�ry to wykonuje, jest pokazany w NetLogo

to go-rules-forward-reasoning
;; dokonuje dalszego rozumowania problemu
let fired-count length fired-rules
print selected-problem
let goal-attrib [goal-attribute] of selected-problem
set cycle-count cycle-count + 1
output-number "Cycle " cycle-count
loop
[
foreach sort rules
[ ; dla ka�dej regu�y w bazie regu�
if not member? ? fired-rules
[
if (match-rule? selected-problem ?)
[
fire-rule ?
output-fired-rule ? ]
if (attribute-found? goal-attrib)
[ user-message (word "The " goal-attrib " is a "
fact-get goal-attrib ".")
stop ]
]
]
if (fired-count = length fired-rules)
[ user-message
"No new rules fired this cycle. Sorry - I can't help you."
stop ]
]
end

Procedura go-rules-forward-reasoning ma p�tl�, kt�ra wykonuje cykl dopasowywania ognia. Ta p�tla przetwarza w porz�dku posortowanym ka�d� regu�� w bazie regu� (tj. zestaw rules agent�w ). Najpierw sprawdza, czy regu�a zosta�a wcze�niej uruchomiona, a je�li nie, to pr�buje dopasowa� regu��, wywo�uj�c regu�� dopasowania? reporter (pokazany w kodzie NetLogo). Je�li ten reporter zwr�ci warto�� true, uruchomi regu��, wywo�uj�c procedur� regu�y ognia. Procedura output-fired-rule wy�wietli informacje w obszarze Output w interfejsie jako �lad procesu wnioskowania, je�li prze��cznik trace-on zosta� ustawiony na On.

to-report match-rule? [problem this-rule]
; tries to match this-rule to facts in the facts-base
; otherwise asks user for data if attribute is not in non-input-attributes list
let attribute ""
let val ""
let value ""
let question ""
let choices []
let this-walker nobody
set this-walker start-new-walker nobody "" ""
foreach [antecedents] of this-rule
[
set attribute first ?
set value last ?
update-walker this-walker attribute value
if not attribute-found? attribute
; not found, so need to ask user if we can
[ ifelse (member? attribute [non-input-attributes] of problem)
[ report false ] ; no we can't ask user
[ ; zadaj u�ytkownikowi pytanie
set question get-input-question problem attribute value
set choices get-input-choices problem attribute
set val user-one-of question choices
fact-put attribute val
]
]
if not fact-found? attribute value
[ report false ]
]
report true
end
to fire-rule [this-rule]
; odpala dopasowan� regu�� ta zasada
let attribute ""
let value ""
let new-walker nobody
foreach [consequents] of this-rule
[
set attribute first ?
set value last ?
ask active-walker
[ hatch-walkers 1 [ set new-walker self ]] ; klon aktywnego chodzika
update-walker new-walker attribute value
fact-put attribute value
set fired-rules fput this-rule fired-rules
]
end
Reporter match-fire? przetwarza ka�dy z poprzednik�w regu�y. Najpierw wyodr�bnia atribute i jego value z bie��cego elementu na poprzedniej li�cie; na przyk�ad dla ["can fly" "Yes"], atrybut "can fly", a warto�� to "Yes". Attribute w po��czeniu z jego value reprezentuje konkretn� propozycj�, kt�ra musi by� prawdziwa - w tym przypadku propozycja, �e ptak mo�e lata�. Reprezentuj�c propozycj� jako zdarzenie w mapie zdarze�, nazwa strumienia jest ustawiona na attribute, a zdarzenie, kt�re wyst�puje w strumieniu, jest ustawione na value. Reporter match-fire? sprawdza nast�pnie, czy warto�� atrybutu nie zosta�a jeszcze przydzielona warto�ci w bazie fakt�w. Je�li nie, zapyta u�ytkownika, jaka jest warto��, je�li atrybut jest atrybutem wej�ciowym. Potem wreszcie zg�osi si� reporter aby sprawdzi�, czy warto�� atrybutu jest zgodna z warto�ci� okre�lon� przez regu��. Procedura fire-rule przetwarza ka�dy z nast�pstw regu�y. Najpierw wykluwa nowy odtwarzacz, kt�ry przechodzi do nowego stanu zdarzenia w mapie zdarze� opartej na update-walker. Odbywa si� to w celu animacji wizualizacji mapy zdarze�, aby pokaza�, jak przebiega proces wnioskowania. Nast�pnie procedura wprowadza nowy fakt sk�adaj�cy si� z atrybutu i jego warto�ci do podstawy fakt�w, a na koniec, dodaje regu�� do listy uruchomionych regu�, aby nie wystartowa� ponownie. Baza fakt�w jest zaimplementowana przy u�yciu rozszerzenia tabeli, jak pokazano w kodzie NetLogo
to-report attribute-found? [attribute]
; zg�asza warto�� true, je�li atrybut znajduje si� w bazie danych fakt�w
; zg�asza fa�sz inaczej
report (table:has-key? facts-base attribute)
end
to-report fact-found? [attribute value]
; zg�asza warto�� true, je�li atrybut i warto�� znajduj� si� w bazie danych fakt�w
; zg�asza fa�sz inaczej
report (value = table:get facts-base attribute)
end
to-report fact-get [attribute]
; pobiera warto�� powi�zan� z atrybutem z bazy fakt�w.
report table:get facts-base attribute
end
to fact-put [attribute value]
; umieszcza par� warto�ci atrybutu w bazie fakt�w.
table:put facts-base attribute value
end

Kod implementuje trzy reportery: attribute-found?, kt�ry zg�asza prawd�, je�li sam atrybut znajduje si� w bazie fakt�w (tj. niezale�nie od tego, jaka warto�� jest z nim zwi�zana); fact-found?, kt�ry zg�asza prawd�, je�li zar�wno atrybut, jak i okre�lona warto�� znajduje si� w bazie fakt�w; i fact-get, kt�ry zwraca warto�� powi�zan� z atrybutem. Procedura fact-put wstawia konkretny atrybut i jego warto�� do tabeli. Problem z dalszym rozumowaniem polega na tym, �e poszukiwanie konkretnego celu mo�e by� nieskuteczne, poniewa� mo�e wywo�a� wiele regu� niezwi�zanych z celem. W takim przypadku bardziej odpowiednie mo�e by� rozumowanie oparte na wstecznym lub celowym. Rozumowanie odwrotne wykorzystuje proces "znajdowania dowod�w", a nie proces "zapa�ek", jak w przypadku rozumowania wybiegowego. Bior�c pod uwag� konkretny cel, proces wnioskowania wstecznego najpierw przeszukuje baz� regu�, aby znale�� regu�y, kt�re maj� cel w swoich NAWET cz�ciach (tj. Jako nast�pniki). Je�li zostanie znaleziona regu�a i cz�� IF zostanie dopasowana, w�wczas regu�a zostanie zwolniona, a cel zostanie udowodniony. W przeciwnym razie mo�esz spr�bowa� nowego celu podrz�dnego udowodni�, �e cz�� IF nie pasuje. Proces rekurencyjnie powtarza proces wnioskowania z nowym celem podrz�dnym, kt�ry mo�e generowa� kolejne podprogramy, kt�re musz� zosta� udowodnione, dop�ki nie udowodni wszystkich cz�ci IF dla pierwotnego celu i kolejnych podprogram�w. Kod do wnioskowania wstecznego zaimplementowany w modelu reprezentacji wiedzy jest pokazany w kodzie NetLogo

to go-rules-backward-reasoning
;; dokonuje wstecznego rozumowania problemu
let goal-choices []
let goal-attrib ""
let goal-value ""
let attribute ""
let value ""
set goal-attrib [goal-attribute] of selected-problem
foreach sort rules
[ ; dodaj ka�dy cel we wszystkich regu�ach do wybor�w celu
foreach [consequents] of ?
[
set attribute first ?
set value last ?
if (attribute = goal-attrib) and
(not member? value goal-choices)
[ set goal-choices lput ? goal-choices ]
]
]
let goal user-one-of "Which goal do you wish to proove?" goal-choices
set goal-value (last goal)
start-new-walkers goal-attrib goal-value
ifelse not find-prove? selected-problem goal-attrib goal-value
[ user-message "No more rules found. The goal is not proven." ]
[ update-walker active-walker goal-attrib goal-value
user-message (word "The goal is proven! The " goal-attrib " is a "
goal-value ".")]
end

Kod najpierw generuje goal-choice czyli list� wszystkich cel�w ze wszystkich regu�. U�ytkownik jest nast�pnie pytany, kt�ry cel chce udowodni�. Nast�pnie gracz narysowany jest na mapie wydarzenia w wybranym stanie celu, a proces rozumowania rozpoczyna si� od find-prove? reporter. To zwraca warto�� true, je�li mo�na znale�� regu��, aby udowodni� cel lub fa�sz, je�li nie, a procedura nast�pnie informuje u�ytkownika o wyniku. Kod znaleziskafind-prove? reporter jest pokazany w kodzie NetLogo

to-report find-goal? [this-rule goal-attrib goal-val]
;; reports if the goal is in the consequents of this_rule
let attribute ""
let val ""
let value ""
let response ""
foreach [consequents] of this-rule
[
set attribute first ?
set value last ?
if (attribute = goal-attrib) and (value = goal-val)
[ report true ]
]
report false
end
to-report prove-goal? [problem this-rule goal-attrib goal-val]
; pr�buje udowodni� t� zasad� na podstawie fakt�w w bazie fakt�w
; w przeciwnym razie prosi u�ytkownika o dane, je�li atrybutu nie ma na li�cie atrybut�w innych ni� wej�ciowe
; w przeciwnym razie rekurencyjnie wywo�uje procedur� znajd�-udowodnij? sprawdzi�, czy
; atrybuty inne ni� wej�ciowe mo�na udowodni�
let attribute ""
let val ""
let value ""
let question ""
let choices []
let this-walker nobody
set this-walker start-new-walker nobody "" ""
foreach [antecedents] of this-rule
[
set attribute first ?
set value last ?
update-walker this-walker attribute value
if not attribute-found? attribute
; nie znaleziono, wi�c zapytaj u�ytkownika, czy mo�emy
[ ifelse (member? attribute [non-input-attributes] of problem)
[ ifelse not find-prove? problem attribute value
[ report false ] ; no we can't ask user
[ fact-put attribute value ]
]
[ ; zadaj u�ytkownikowi pytanie
set question get-input-question problem attribute value set
choices get-input-choices problem attribute
set val user-one-of question choices
fact-put attribute val
]
]
if not fact-found? attribute value
[ report false ]
]
update-walker this-walker goal-attrib goal-val
report true
end
to-report find-prove? [problem goal-attrib goal-val]
;; procedura rekurencyjna wywo�ywana przez procedur� wnioskowania wstecznego
let this-walker nobody
output-goal goal-attrib goal-val
foreach sort rules
[ ; dla ka�dej regu�y w bazie regu�
if (find-goal? ? goal-attrib goal-val)
[
if (prove-goal? problem ? goal-attrib goal-val)
[
start-new-walkers goal-attrib goal-val
output-fired-rule ?
report true
]
]
to-report find-prove? [problem goal-attrib goal-val]
;; procedura rekurencyjna wywo�ywana przez procedur� wnioskowania wstecznego
let this-walker nobody
output-goal goal-attrib goal-val
foreach sort rules
[ ; dla ka�dej regu�y w bazie regu�
if (find-goal? ? goal-attrib goal-val)
[
if (prove-goal? problem ? goal-attrib goal-val)
[
start-new-walkers goal-attrib goal-val
output-fired-rule ?
report true
]
]
]
report false
end
]
report false
end

Reportr find-prove? wywo�uje dw�ch kolejnych reporter�w, find-goal? i prove-goal?. Dla ka�dej regu�y w bazie regu� najpierw sprawdza, czy cel zosta� znaleziony przez wywo�anie reportera find-goal? je�li zostanie znaleziony, spr�buje to udowodni�, nazywaj�c reporter prove-goal?. Reporter find-goal? zwraca warto�� true, je�li atrybut i warto�� okre�lona przez goal-attrib? i goal-val? zosta�a znaleziona w jednym z nast�pstw okre�lonej regu�y - ta regu�a przekazana przez parametr. Reportert prove-goal pr�buje najpierw udowodni� konkretn� zasad�, �e ta zasada jest prawdziwa z fakt�w w bazie fakt�w. W przeciwnym razie sprawdza ka�dy z poprzednik�w regu�y, aby sprawdzi�, czy s� one prawdziwe, pytaj�c u�ytkownika o dane, je�li atrybut nie jest atrybutem wej�ciowym, w przeciwnym razie rekursywnie wywo�uje find-okaza� reportera? aby sprawdzi�, czy atrybut nie-wej�ciowy mo�e zosta� udowodniony. Procedury start-new-walker, start-new-walkers i update-walker s�u�� do animowania mapy zdarze�, aby pokaza�, jak przebiega proces wnioskowania. Jakiego rodzaju rozumowania nale�y u�y� przy projektowaniu systemu eksperckiego opartego na regu�ach? Najlepsz� odpowiedzi� na to pytanie jest dla in�yniera wiedzy obserwowanie eksperta, aby zobaczy�, jakiego rodzaju rozumowania u�ywaj�. Je�li ekspert najpierw przyjrzy si� danym, a nast�pnie wnioskuje z niego now� wiedz�, w�wczas najodpowiedniejszy jest proces wnioskowania. Z drugiej strony, je�li ekspert zaczyna najpierw od hipotetycznego rozwi�zania, a nast�pnie pr�buje znale�� fakty, kt�re pomog� udowodni� hipotez�, w�wczas najw�a�ciwsze mo�e by� wnioskowanie zwrotne. Problemy z analiz� i interpretacj� nadaj� si� do przekazania rozwi�za� logicznych, podczas gdy problemy z typem diagnozy nadaj� si� do wnioskowania wstecznego. Przyk�adem tego pierwszego jest DENDRAL, system ekspercki, kt�ry okre�la struktur� molekularn� nieznanej gleby, podczas gdy MYCIN, system ekspercki do diagnozy zaka�nych chor�b krwi, jest przyk�adem tego ostatniego. Obecnie wi�kszo�� system�w ekspertowych u�ywa teraz rozumowania zar�wno do przodu, jak i do ty�u. Podstawow� metod� wnioskowania jest ta ostatnia, poniewa� minimalizuje liczb� niepotrzebnych zapyta�, kt�re s� b��dem naprz�d podej�cie do rozumowania. Jednak system ekspercki mo�e przej�� do przekazywania argument�w, gdy do podstawy fakt�w zostanie dodany nowy fakt w celu maksymalnego wykorzystania nowych danych. Systemy ekspertowe, takie jak DENDRAL i MYCIN, wymagaj� du�ych nak�ad�w finansowych i wysi�ku (szacunkowo na 20 do 40 lat pracy). Czynnikiem, kt�ry przyczynia si� do tego, jest szeroko uzna�a trudno�� w zdobywaniu wiedzy od ekspert�w ludzkich - problem ten nazywany jest "w�skim gard�em gromadzenia wiedzy". Jednak obecnie istniej� zaawansowane pow�oki systemu eksperckiego i skrzynki narz�dziowe dla inteligentnych system�w wykorzystuj�cych technologie takie jak uczenie maszynowe, sieci neuronowe i obliczenia ewolucyjne, kt�re radykalnie skracaj� czas opracowywania od lat do miesi�cy. Aby uzyska� pe�niejsz� dyskusj� na temat opartych na regu�ach system�w eksperckich i og�lnie system�w inteligentnych, czytelnik powinien odnie�� si� do Negnevitsky'ego.

Wiedza i rozumowanie za pomoc� ramek

Ramki s� form� reprezentacji wiedzy zaproponowan� przez Marvina Minsky′ego. Ramka jest struktur� danych przechowuj�c� prototypowe informacje dotycz�ce konkretnej koncepcji. Ramki sk�adaj� si� z "gniazd", kt�re mog� mie� "warto�ci", kt�re s� jawnie zadeklarowane, gdy ramka jest zadeklarowana, lub s� dziedziczone z ramki nadrz�dnej. Ta forma reprezentacji wiedzy jest najbardziej podobna do modelu przestrzeni konceptualnej G�rdenforsa, a szczeliny s� analogiczne do wymiar�w jako�ciowych. Istniej� dwa rodzaje ramek: ramka klasy; i ramk� indywidualn� lub instancj�. Poj�cia klasy, instancji i dziedziczenia s� analogiczne do tych u�ywanych w programowaniu obiektowym opisanym w sekcji 2.2 Dziedziczenie jest zwykle okre�lane za pomoc� "ako" (oznacza to "rodzaj"). Na przyk�ad w przypadku problemu klasyfikacji zwierz�t w zoo gepard jest rodzajem ssaka, a ssak jest rodzajem zwierz�cia. Jako kolejny przyk�ad, ramy dla problemu klasyfikacji �odzi �aglowych przedstawiono w tabeli 9.8. Tabela pokazuje osiem ramek �odzi �aglowych w osobnych kolumnach, z nazwami i warto�ciami w wierszach. W przypadku tego szczeg�lnego problemu wiedza jest stosunkowo regularna, a jedynie kilka kom�rek tabeli z brakuj�cymi warto�ciami. Zwykle brakuj�ce warto�ci s� norm�, gdy ramki s� wy�wietlane w formie tabelarycznej, poniewa� nie ma wymogu, aby ka�da klatka mia�a te same szczeliny, poniewa� ramki reprezentuj� r�ne koncepcje o r�nych w�a�ciwo�ciach i mog� dziedziczy� informacje z r�nych ramek nadrz�dnych. Reprezentacj� mapy zdarze� dla tej wiedzy pokazano na rysunku

Dla jasno�ci, liczba pokazuje map� zdarze� tylko dla pierwszych czterech ramek dla problemu �odzi �aglowej - no�a z g�owic� z wyst�pem (lewy g�rny r�g), slup na czele Gaffa (na dole po lewej), kecz z Jigsem (u g�ry po prawej) i Gaff na czele ketch (prawy dolny r�g). Ka�da klatka jest przedstawiona jako osobna �cie�ka, zaczynaj�c od stanu zdarzenia oznaczonego przez nazw� ramki (na przyk�ad nazwa = "jib-headed-cutter" w lewym g�rnym rogu), a nast�pnie przechodzenie do stanu, kt�ry deklaruje, jaki rodzaj ramki reprezentuje �cie�ka (ten stan jest zawsze oznaczony etykiet� as ako = "[boat]", poniewa� wszystkie ramki s� ramami �odzi w tym przyk�adzie). �cie�ka nast�pnie kontynuuje przez stany reprezentuj�ce poszczeg�lne przedzia�y i warto�ci ka�dej klatki.

Zamiast deklarowa� ramki oddzielnie od wiedzy opartej na regu�ach, model reprezentacji wiedzy zamiast tego stosuje podej�cie polegaj�ce na przekszta�caniu wiedzy opartej na regu�ach w formacie ramek. Ma to na celu zilustrowanie zgodno�ci mi�dzy tymi dwoma podej�ciami, gdy zdania w regu�ach s� okre�lone przy u�yciu par warto�ci atrybutu. Umo�liwia to r�wnie� wizualizacj� r�nych metod za pomoc� map zdarze�. Kod do tego jest pokazany w kodzie NetLogo

to convert-rules-to-frames-base [problem]
;; Konwertuje baz� regu� na baz� klatek
let this-rule nobody
let this-frame nobody
let attribute ""
let value ""
ask frames [ die ] ; kill off any previous frames
foreach sort rules
[ ; dla ka�dej regu�y w bazie regu�
set this-rule ?
foreach [consequents] of this-rule
[
set attribute (first ?)
set value (last ?)
set this-frame find-frame? attribute value
if (this-frame = nobody)
[ ; ramka nie istnieje z t� nazw� i typem
create-frames 1
[
hide-turtle ; uczyni� niewidocznym
set this-frame self
set name value
set ako-list (list attribute)
set slots-table table:make
]
]
foreach [antecedents] of this-rule
[
ask this-frame
[
set attribute (first ?)
set value (last ?)
ifelse (member? attribute [input-attributes] of
problem)
[ table:put slots-table attribute value ]
[ set ako-list
(lput value ako-list) ] ; dodaj warto�� do listy ako
]
]
]]
end
to-report find-frame? [this-ako this-name]
;; zg�asza ramk�, kt�ra ma warto�� boksu �ako� = ako i �name� = name.
;; nikt nie zg�asza inaczej
report one-of frames with
[member? this-ako ako-list and name = this-name]
end

Procedura konwersji najpierw zabija wszystkie istniej�ce ramki, a nast�pnie przetwarza ka�d� z regu� w bazie regu� po kolei. Dla nast�pstw ka�dej regu�y sprawdza, czy ramka o tej samej nane i warto�ciach ako nie istniej�, wywo�uj�c find-frame? reporter. Je�li nie istnieje, utworzy now� ramk�, w przeciwnym razie u�yje tego, kt�ry zosta� znaleziony. Nast�pnie wstawi szczeliny i ich warto�ci do slot-table dla ramki, je�li atrybut proposition jest atrybutem wej�ciowym, w przeciwnym razie dodaje warto�� proposition do ako-list dla ramki. Mapa zdarze� jest tworzona z tych ramek przy u�yciu procedury dodawania zdarze�, jak pokazano w kodzie NetLogo

to-report slots-events [table]
;; zwraca list� zdarze� dla tabeli gniazd
let events []
let keys []
let value ""
set keys table:keys table
foreach keys
[
set value table:get table ?
set events lput (list ? value) events
]
report events
end
to setup-frames
;; konfiguruje sie� stan�w z ramek
init-problem ; zainicjuj wybrany problem
let events []
convert-rules-to-frames-base selected-problem
foreach sort frames
[
set events slots-events [slots-table] of ?
set events fput (fput "ako" (list [ako-list] of ?)) events
set events fput (list "name" [name] of ?) events
add-events events white white white
]
repeat 5 [ change-layout ]
display
end

Ten kod definiuje procedur� setup-frames, kt�ra wywo�uje procedur� convert-rules-to-frames zdefiniowan� powy�ej, a nast�pnie dla ka�dej z nowo utworzonych ramek generuje list� zdarze� dla ka�dego z otwor�w w ramce w jej tabeli slot�w (przez wywo�anie reportera s;ots-events), a nast�pnie dodaje dwa kolejne zdarzenia na pocz�tku listy zdarze�, jeden dla ako-list i drugi dla nazwy ramki, przed wywo�aniem procedury add-events . Istniej� dwa g��wne typy rozumowania z ramami - rozumowanie przez dziedziczenie i rozumowanie przez dopasowanie. Ten pierwszy wype�nia brakuj�ce warto�ci szczelin dla klatek, je�li dla ramki nadrz�dnej okre�lono warto�� szczeliny. Na przyk�ad w przypadku problemu z �agl�wk�, macierzysta "��d�" mo�e okre�li�, �e liczba �agli dla �odzi wynosi domy�lnie dwa. Przypomnijmy, �e celem ramki jest przedstawienie prototypowej koncepcji, wi�c przy okre�laniu, �e rama �odzi ma dwa �agle, oznacza to, �e prototypowa ��d� b�dzie mia�a dwa �agle. Oczywi�cie zawsze s� wyj�tki od regu�y, dlatego domy�lna warto�� ramki nadrz�dnej mo�e by� �atwo nadpisana w ramce podrz�dnej przez wstawienie okre�lonej warto�ci. Samochody, na przyk�ad, maj� najcz�ciej cztery ko�a, ale niekt�re samochody maj� trzy ko�a, takie jak Reliant Robin wyprodukowany w Anglii w latach 70. ubieg�ego wieku, a ostatnio samochody hybrydowe i elektryczne, kt�re przyjmuj� tr�jko�owe rozwi�zanie z powod�w aerodynamicznych i wydajno�ci. Tak wi�c ramka rodzica "samoch�d" mo�e ustawi� warto�� szczeliny dla "liczby k�" na 4, ale zamiast tego ustaw na przyk�ad warto�� 3 dla ramki "Reliant Robin car". Druga forma rozumowania ramek opartych na dopasowywaniu polega na przeszukiwaniu ramek-podstawy dla ramki, kt�rej szczeliny i warto�ci pasuj� do aktualnych znanych fakt�w. Zosta�o to zaimplementowane w modelu reprezentacji wiedzy. Rysunek 9.12 to zrzut ekranu, kt�ry przedstawia po�redni etap procesu wnioskowania, aby pokaza�, jak przebiega.

Na zrzucie ekranu �cie�ki, kt�re zosta�y zastosowane, s� przedstawione grubszymi bia�ymi ��czami. Pierwszym pytaniem, kt�re zadecydowa�o, �e g�owica z g�owic� Jib jest pierwsz� dopasowan� ram�, jest "Ile jest maszt�w?", Poniewa� dopasowywano gniazdo "liczba maszt�w". U�ytkownik odpowiedzia� "dwoma", co spowodowa�o, �e ramka obcinarki z kierownic� z przegubem i nast�pna rama, slup z g�owic� Gaffa, nie dor�wna�y. Jest to pokazane przez agent�w walker�w zatrzymuj�cych si� tu� przed ko�cem dw�ch �cie�ek pokazanych po lewej stronie ekranu. Proces rozumowania nast�pnie pr�bowa� dopasowa� nast�pn� klatk� w podstawie ramki - ramk� Ketch z nag��wkiem Jib. Zrzut ekranu pokazuje etap po tym, jak pytanie "Jaka jest g��wna pozycja masztu?" Zosta�o odebrane "przed kr�tkim masztem", a u�ytkownik ma odpowiedzie� na nast�pne pytanie "Jaka jest kr�tka pozycja masztu?" wy�wietlane na �rodku ekranu. Kod, kt�ry wykonuje proces dopasowywania ramek, jest zdefiniowany przez procedur� go-frames-reasoning modelu Kowledge Representation w NetLogo. Zamiast odtwarza� tutaj kod, czytelnik mo�e sprawdzi� kod bezpo�rednio w NetLogo, wybieraj�c przycisk Procedures. Kod sk�ada si� z reportera, matcg-frame?, kt�ry zwraca warto�� true, je�li ramka pasuje do bie��cych fakt�w. Reporter match-frame?r najpierw tworzy nowego agenta spacerowego i przesuwa go wzd�u� pocz�tku �cie�ki ramki w mapie zdarze� poprzez nazw� i inne stany. Nast�pnie przetwarza ka�d� z nazw znajduj�cych si� na li�cie ako ramki, aby upewni� si�, �e ka�da z ramek macierzystych jest zgodna z rekursywnie wywo�uj�c� funkcj� match-frame?. B�dzie to r�wnie� oznacza�, �e ramki typu grandparent (i ramki typu "great-grandparent" itd.) B�d� r�wnie� musia�y by� dopasowane, zanim ramka sama si� dopasuje. Po dopasowaniu wszystkich tych ramek macierzystych, reporter wyodr�bnia list� nazw slot�w ze slot-tables a nast�pnie dla ka�dego z nich wyodr�bnia ich warto�ci i u�ywa kodu podobnego do tego, kt�rego u�yto w rozumowaniu opartym na regu�ach. powy�ej w sekcji , spr�buje sprawdzi�, czy fakt z nazw� i warto�ci� slot�w ju� istnieje w bazie fakt�w. Je�li nie, poprosi u�ytkownika o wprowadzenie, je�li slot jest atrybutem wej�ciowym, w przeciwnym razie zwr�ci false (ramka nie zosta�a dopasowana). Czy procedura go-frames-reasoning wywo�uje match-frame? reporter dla ka�dej ramki, kt�ra ma atrybut cel w swojej ako-list, kt�ra jest ustawiana podczas tworzenia ramek - na przyk�ad dla ramki �agl�wek atrybut bramki jest ustawiony na ��d�, a dla klatek zwierz�t w zoo- podstawa atrybut cel jest ustawiony na animal, dlatego tylko te ramki s� dopasowane do problemu. Istnieje wiele odmian metody reprezentacji wiedzy opartej na ramkach. Rozszerzeniem podstawowej reprezentacji typu szczeliny jest umo�liwienie, aby sloty mia�y "�cianki" zapewniaj�ce rozszerzon� wiedz� o atrybucie opisywanym przez szczelin�. Facet�w mo�na u�ywa� do kontrolowania zapyta� u�ytkownik�w i prowadzenia procesu wnioskowania, na przyk�ad wyszczeg�lniaj�c spos�b dopasowania gniazda. Metody (zwane "demonami") mo�na r�wnie� powi�za� z atrybutami jako aspektami, kt�re zapewniaj� systemowi ramowemu mechanizm wyra�ania wiedzy proceduralnej. Te metody wykonuj� akcje uruchamiane w okre�lonych warunkach. Na przyk�ad dwa typowe typy metod to: KIEDY ZMIENIONO I GDY POTRZEBUJESZ, kt�re s� wyzwalane, gdy warto�� gniazda zostanie zmieniona lub kiedy zostanie on udost�pniony. Obecnie wiele specjalistycznych i inteligentnych system�w to systemy hybrydowe, kt�re ��cz� dwie lub wi�cej technologii; na przyk�ad wiele system�w u�ywa zar�wno ramek, jak i regu� do reprezentowania wiedzy i do wnioskowania. Terminem cz�sto u�ywanym do opisu tych system�w hybrydowych jest "mi�kkie przetwarzanie", kt�re dotyczy system�w zdolnych do wnioskowania z niepewno�ci� i dynamicznymi �rodowiskami z wieloma agentami. Negnevitsky przedstawia kilka przyk�ad�w hybrydowych inteligentnych system�w, kt�re ��cz� r�ne technologie, nie tylko oparte na symbolach technologie, takie jak regu�y i ramki, ale tak�e technologie pod-symboliczne, takie jak sieci neuronowe i ewolucyjne obliczenia.

Znajomo�� i rozumowanie przy u�yciu drzew decyzyjnych

Inn� metod� reprezentowania wiedzy s� drzewa decyzyjne. Widzieli�my ju� kilka przyk�ad�w drzew decyzyjnych w dziale wcze�niej, a na powy�szym rysunku, kt�ry zawiera zrzut ekranu drzewa decyzyjnego dla problemu zwierz�t w zoo. NetLogo Code. pokazuje, w jaki spos�b regu�y mo�na przekszta�ci� w drzewo decyzyjne za pomoc� reprezentacji odwzorowania zdarze� omawianej w sekcji wcze�niej.

to convert-rules-to-decision-tree
;; Konwertuje baz� regu� na drzewo decyzyjne
init-problem ; initialise the selected problem
let this-rule nobody
let attribute ""
let value ""
let events []
foreach sort rules
[ ; dla ka�dej regu�y w bazie regu�
set this-rule ?
set events (list (list [goal-attribute] of selected-problem "Yes"))
foreach [antecedents] of this-rule [
ask this-rule
[
set attribute (first ?)
set value (last ?)
set events lput (list attribute value) events
]
]
foreach [consequents] of this-rule
[
set attribute (first ?)
set value (last ?)
add-events (lput (list attribute value) events) white white white
]
]
repeat 5 [ change-layout ]
display
end

Ta procedura przetwarza ka�d� regu�� w bazie regu�, najpierw inicjuj�c list� zdarze�, aby zawiera�o pojedyncze zdarzenie zawieraj�ce atrybut celu ze s�owem "Yes". Na przyk�ad problem z jachtami �aglowymi ustawi list� zdarze� na [[boat "Tak"]]. Efektem tego jest to, �e wszystkie regu�y b�d� po��czone z centralnym w�z�em w centrum drzewa decyzyjnego. Procedura nast�pnie do��cza wszystkie poprzedniki jako zdarzenia do listy zdarze�, a nast�pnie dla ka�dego z nast�pstw doda nast�pnik na ko�cu tej listy i wywo�a osobno add-events. Spowoduje to utworzenie osobnej �cie�ki zdarzenia dla ka�dego kolejnego wyniku. Wynik dla problemu �odzi �aglowych pokazano na rysunku.

Zwr�� uwag�, �e drzewo ma osiem w�z��w listk�w, kt�re odpowiadaj� o�miu regu�om w bazie regu�. Proces rozumowania dzia�a na zewn�trz od centralnego w�z�a, zadaj�c pytania i pod��aj�c za odpowiednim odsy�aczem, a� do uzyskania li�cia w taki sam spos�b, jak nowozelandzki model NetLogo pt. Om�wiony w cz�ci 4. Post�p procesu wnioskowania na etapie po�rednim jest pokazano na rysunku powy�ej. Proces rozpocz�� si� w w�le centralnym oznaczonym jako boat = "Yes". Podkre�lono dwa mo�liwe po��czenia, kt�re m�g� nast�pi� - link do stanu oznaczony number of mast = "one" i link do stanu oznaczony number of mast = "two". Wewn�trzna kolejno�� link�w (w wyniku ich utworzenia) spowodowa�a, �e proces wnioskowania przeni�s� si� do pierwszego z tych stan�w i spowodowa� pytanie "Ile maszt�w tam jest?". U�ytkownik odpowiedzia� "dw�jk�", co oznacza, �e przej�cie bie��cej �cie�ki zosta�o zatrzymane, a proces wnioskowania rozpocz�� si� po drugiej �cie�ce. Nast�pne pytanie brzmia�o: "Jaka jest g��wna pozycja masztu?", A odpowied� "naprz�d z masztu kr�tkiego" zmusi�a proces wnioskowania do przeniesienia do stanu oznaczonego jako main mast position = "forward of the short mast". Nast�pne pytanie brzmia�o: "Jaka jest kr�tka pozycja masztu?", A odpowied� "naprz�d steru" zmusi�a proces wnioskowania do stanu pokazanego na rysunku. Odpowied� na aktualne pytanie "Jaki jest kszta�t grota?" Spowoduje, �e proces wnioskowania zako�czy si� wnioskiem, �e ��dka jest kranem z przew�eniem, je�li odpowied� by�a "tr�jk�tna", i z wnioskiem, �e w przeciwnym razie by� to kecz z Gaffem. Kod wykonuj�cy proces rozumowania drzewa decyzyjnego jest zdefiniowany przez procedur� go-decision-tree-reasoning w modelu reprezentacji wiedzy w NetLogo. Ten kod wywo�uje procedur� match-tree, aby przej�� drzewo. Robi to, nazywaj�c siebie rekursywnie dopasowuj�c stany drzew do fakt�w w bazie fakt�w, a� do momentu, gdy nie b�dzie ju� �adnych s�siad�w poza �cie�k� - to znaczy, gdy zostanie osi�gni�ty w�ze� li�cia. Cel zostaje osi�gni�ty, gdy do bazy fakt�w dodano fakt, �e atrybut celu (w tym przypadku boat) zosta� dodany.

Znajomo�� i rozumowanie za pomoc� sieci semantycznych

Ostateczna metoda reprezentacji wiedzy, kt�r� zbadamy, nazywa si� sieciami semantycznymi. Sieci semantyczne sk�adaj� si� z po��czonych ze sob� w�z��w po��czonych �ukami. W�z�y reprezentuj� obiekty i �ukuj� relacje mi�dzy obiektami. Przyk�ad sieci semantycznej dla problemu zwierz�t w zoo pokazano na rysunku

Istnieje wiele wariant�w sieci semantycznych, kt�rych pocz�tki si�gaj� 1909 r. Wraz z "wykresami egzystencjalnymi" Pierce'a. Sieci semantyczne sta�y si� popularne w latach 70. XX wieku, przy czym Collins i Quillian wykonali wa�n� prac� (na przyk�ad w 1969 r.). Wa�na debata w AI dotycz�ca sieci semantycznych dotyczy wzgl�dnych zalet w por�wnaniu z logik�. Russell i Norvig zwracaj� jednak uwag�, �e sieci semantyczne mo�na r�wnie� uzna� za form� logiki, tak jak w przypadku innych form reprezentacji wiedzy om�wionych powy�ej. Nowszym przyk�adem sieci semantycznej jest WordNet, kt�ry jest du�� leksykaln� baz� danych angielskich s��w pogrupowanych wed�ug synonim�w. Kod NetLogo pokazuje, jak zadeklarowana jest sie� semantyczna dla problemu zwierz�t w zoo w modelu KnowledgeRepresentation.

to-report create-state [state-label]
;; tworzy i zwraca nowy w�ze� semantyczny
let this-state nobody
create-states 1
[
set this-state self
set color sky
set label-color white
set label state-label
set size 8
set stream "state name"
set event state-label
]
report this-state
end
to create-slink [state1 slink-label state2]
;; tworzy ��cze mi�dzy dwoma w�z�ami state1 i state2 w
;; sieci semantycznej
ask state1
[ create-path-to state2
[ set label slink-label
set label-color yellow
set color blue
]
]
end
to setup-animals-semantic-network
;; ustawia w�z�y i ��cza w sieci semantycznej Zoo Animals
let animal-state create-state "animal"
set goal-state animal-state
let mammal-state create-state "mammal"
let ungulate-state create-state "ungulate"
let carnivore-state create-state "carnivore"
let hair-state create-state "hair"
let milk-state create-state "milk"
let meat-state create-state "meat"
let pointed-teeth-state create-state "pointed teeth"
let claws-state create-state "claws"
let forward-eyes-state create-state "forward eyes"
let hooves-state create-state "hooves"
let cud-state create-state "cud"
let tawny-colour-state create-state "tawny colour"
let dark-spots-state create-state "dark spots"
let black-stripes-state create-state "black stripes"
let long-neck-state create-state "long neck"
let cheetah-state create-state "cheetah"
let tiger-state create-state "tiger"
let giraffe-state create-state "giraffe"
let zebra-state create-state "zebra"
create-slink cheetah-state "is a" animal-state
create-slink tiger-state "is a" animal-state
create-slink giraffe-state "is a" animal-state
create-slink zebra-state "is a" animal-state
create-slink ungulate-state "is a" mammal-state
create-slink cheetah-state "is a" mammal-state
create-slink tiger-state "is a" mammal-state
create-slink cheetah-state "is a" carnivore-state
create-slink tiger-state "is a" carnivore-state
create-slink giraffe-state "is a" ungulate-state
create-slink zebra-state "is a" ungulate-state
create-slink mammal-state "has" hair-state
create-slink mammal-state "gives" milk-state
create-slink carnivore-state "eats" meat-state
create-slink carnivore-state "has" pointed-teeth-state
create-slink carnivore-state "has" claws-state
create-slink carnivore-state "has" forward-eyes-state
create-slink ungulate-state "has" hooves-state
create-slink ungulate-state "chews" cud-state
create-slink cheetah-state "has" tawny-colour-state
create-slink cheetah-state "has" dark-spots-state
create-slink tiger-state "has" tawny-colour-state
create-slink tiger-state "has" black-stripes-state
create-slink giraffe-state "has" dark-spots-state
create-slink giraffe-state "has" long-neck-state
create-slink zebra-state "has" black-stripes-state
end
setup-animals-semantic-network wykorzystuje reporter, create-state, do tworzenia stanu w sieci i zwracania go oraz procedur�, create-slink, do tworzenia po��czenia mi�dzy dwoma stanami. Pierwsza z nich przyjmuje pojedyncz� stste - label kt�ra okre�la etykiet� powi�zan� ze state , a nast�pnie tworzony jest pojedynczy agent pa�stwowy z okre�lon� etykiet�, kt�ra nast�pnie jest zwracana. Ta ostatnia przyjmuje trzy argumenty: stan pocz�tkowego state1, etykiet� znacznika ko�ca slink-label dla �uku i stan state2, a nast�pnie tworzony jest agent pojedynczego ��cza, kt�ry ��czy state1 z state2. Sie� semantyczn� tworzy si� najpierw, tworz�c stan dla typ�w zwierz�t (ssak�w, zwierz�t kopytnych, drapie�nych), dla cech zwierz�t (np. W�os�w, mleka, mi�sa, ostrych z�b�w, pazur�w) i dla ka�dego ze zwierz�t ( tygrys, gepard, �yrafa i zebra). Nast�pnie ��cza mi�dzy tymi stanami s� ustawiane jeden po drugim. Chocia� sieci semantyczne s� stosunkowo �atwe do ustawienia, g��wnym problemem jest podejmowanie decyzji o rodzaju wiedzy, kt�ra trafia do sieci - czyli jaki rodzaj wiedzy powinien by� reprezentowany przez pa�stwa i jaki rodzaj wiedzy przez �uki. Zasad� jest, �e etykiety stanu powinny by� rzeczownikami, a etykiety etykiet powinny by� czasownikami. Dwie etykiety powszechnie u�ywane w �ukach to "is a" i "has". Na przyk�ad w �rodku rysunku 9.14 znajduje si� znakowany "tygrys" i ma on dwa �uki oznaczone "ma" i trzy �uki oznaczone jako "jest" ��cz�ce pi�� stan�w. To reprezentuje wiedz�, �e tygrys ma czarne pasy i br�zowy kolor oraz �e tygrys jest zwierz�ciem, amammal i mi�so�erc�. Etykieta �ukowa "jest a", podobnie jak w przypadku ramek, s�u�y do wykonywania dziedziczenia i domy�lnego rozumowania stylu. Nale�y zauwa�y�, �e wielokrotne dziedziczenie jest dozwolone, w przeciwie�stwie do niekt�rych j�zyk�w programowania obiektowego, takich jak Java, kt�re obs�uguj� tylko dziedziczenie pojedyncze. Ramki mog� by� uwa�ane za odmian� sieci semantycznych, poniewa� ka�dy w�ze� mo�e reprezentowa� pojedyncz� ramk�, a �uki, kt�re wychodz� poza w�ze�, s� jego gniazdami, przy czym warto�ci szczelin s� w�z�ami, do kt�rych prowadz� warto�ci szczelin. Sie� semantyczn� mo�na r�wnie� przekszta�ci� w r�wnowa�n� map� zdarze�. Mo�na to zrobi� w modelu reprezentacji wiedzy, ustawiaj�c wybierak KR-type w interfejsie na "semantic event network", a model pocz�tkowo narysuje sie� semantyczn�, a nast�pnie zast�pi j� r�wnowa�n� sieci� semantycznych zdarze�. Wa�na forma rozumowania sieci semantycznych polega na dopasowaniu stan�w do aktualnych fakt�w w spos�b analogiczny do dopasowania ramek. Rysunekprzedstawia etap po�redni procesu dopasowywania stanu. W tym przypadku proces rozumowania rozpocz�� si� od docelowego stanu animal w �rodkowym prawym rogu obrazu. Jeden z s�siaduj�cych w tej drodze s�siad�w tego stanu zosta� wybrany losowo, aby by� nast�pnym stanem odwiedzanym - w przypadku pokazanym na obrazie wybranym stanem by� stan zebry. Proces rozumowania nast�pnie pr�bowa� dopasowa� wszystkie stany zwi�zane z tym stanem - pierwszy wybrany by� stan black stripe, kt�ry spowodowa� pytanie "Czy prawdziwe jest nast�puj�ce stwierdzenie: Zwierz� ma czarne paski?", Kt�re nale�y zada�. Jako �e odpowied� by�a twierdz�ca, proces rozumowania zacz�� si� dopasowywa� do stanu ungulate, przy czym stan przytulenia zosta� wybrany do nast�pnej wizyty, co skutkowa�o pytaniem "Czy prawdziwe stwierdzenie jest prawdziwe: zwierz� prze�uwa?", Jak pokazano na obrazie. Kod, kt�ry wykonuje semantyczny proces rozumowania sieci, jest zdefiniowany przez procedur� go-semantic-network- reasoning w modelu Knowledge Repreentation w NetLogo. Ten kod wykorzystuje reprotera match-network-state?, kt�ry zwraca warto�� true, je�li okre�lony stan w sieci semantycznej pasuje do bie��cych fakt�w. Reporter dzia�a przez przetwarzanie wszystkich s�siaduj�cych z zewn�trz �cie�ek do momentu znalezienia dopasowania. Najpierw klonuje agenta spacerowego, aby przej�� do okre�lonego stanu s�siedniego. Je�li etykieta dla ��cza do tego stanu jest r�wna "is a", w�wczas wywo�a si� rekursywnie z nowo sklonowanym walkerem, aby sprawdzi�, czy s�siednie pa�stwo r�wnie� dopasowuje si� jako pierwsze, poniewa� jest to stan "jest" (macierzysty). W przeciwnym razie u�yje etykiety ��cza i etykiety s�siedniego stanu do skonstruowania zdania w celu sprawdzenia, czy jest ono prawdziwe, czy te� nie, w procesie, w razie potrzeby pytaj�c u�ytkownika, czy atrybut propozycji nie jest jeszcze znany (tj. baza fakt�w). Ta konkretna implementacja pozwala na umieszczanie w etykietach link�w s�owa kluczowego "nie" (na przyk�ad "nie jest" mo�e by� u�yte zamiast "jest", "nie mo�e" zamiast "mo�e" i "nie ma" zamiast "ma" "). Dokonano tego, aby dostosowa� si� do konkretnego stylu wiedzy w problemach ptak�w nowozelandzkich, aby forma sieci semantycznej mog�a by� bezpo�rednio por�wnywana z innymi formami reprezentacji. Twierdzenie jest sprawdzane przez sprawdzenie, czy istnieje w aktualnej bazie fakt�w, a reporter zwr�ci warto�� false, je�li nie jest. G��wna procedura go-semantic-network-reasoning dzia�a poprzez wywo�anie funkcji match-networkstate? dla wszystkich s�siaduj�cych w drodze s�siad�w stanu celu, kt�rego link do niego ma etykiet� "jest a". Kontynuuje dop�ki nie znajdzie jednego z s�siaduj�cych pa�stw, kt�re pasuj� do siebie. Na przyk�ad dla problemu zwierz�t z ogrod�w zoologicznych, spr�buje (w dowolnej kolejno�ci) ka�dego z czterech stan�w - tiger, cheetah, giraffe i zebra - kt�re s� po��czone ze stanem zwierz�cia z etykiet� ��cza "jest a". Je�li nie mo�e znale�� s�siedniego stanu "jest", kt�ry pasuje, zwr�ci warto�� false. Ta konkretna implementacja powoduje, �e za ka�dym razem, gdy uruchamiana jest procedura, ��dany jest inny zestaw pyta� (w wyniku polecenia ask u�ywaj�cego in-path-neighbours). Je�li takie zachowanie wprawia w zak�opotanie u�ytkownika, mo�na uzyska� bardziej sp�jne zachowanie systemu eksperckiego za pomoc� polecenia foreach-sort, aby zapewni�, �e s�siednie stany s� odwiedzane w okre�lonej kolejno�ci. Problem z rozumowaniem opartym na sieci semantycznej, widoczny podczas uruchamiania modelu reprezentacji wiedzy, polega na tym, �e cz�sto przeskakuje on w sieci, zadaj�c pozornie niepowi�zane pytania, aw rezultacie mylenie u�ytkownika systemu. Istnieje tak�e utrata kontekstu, poniewa� proces wnioskowania przechodzi z jednego stanu do nast�pnego. W przeciwie�stwie do drzewa decyzyjnego lub reprezentacji mapy zdarze�, kt�re pod��aj� za zdefiniowanymi �cie�kami, gdzie lokalizacja stanu odzwierciedla stan rozumowania na podstawie wcze�niejszej sekwencji odwiedzonych stan�w.

Podsumowanie i dyskusja

Reprezentacja wiedzy jest podstawowym zadaniem wymaganym do inteligentnego zachowania. W niniejszym rozdziale przedstawiono r�ne sposoby reprezentowania wiedzy, takie jak mapy, regu�y, logika, ramki, drzewa decyzyjne i sieci semantyczne. Reprezentacja oparta na mapach zdarze� zosta�a wykorzystana do wizualizacji r�nych typ�w reprezentacji i pokazania, w jaki spos�b mo�na je przekszta�ci� z jednej formy w drug�. Celem by�o om�wienie wiedzy z uciele�nionej, usytuowanej perspektywy poprzez pokazanie, �e wiedza i rozumowanie s� zwi�zane z ruchem agenta wok� otoczenia. Wiedza zosta�a przekszta�cona z wykorzystaniem reprezentacji mapy zdarze� jako punkt�w w abstrakcyjnych n-wymiarowych �rodowiskach kosmicznych, a rozumowanie jako przeszukiwanie tej przestrzeni. Mo�emy r�wnie� powi�za� wiedz� z zachowaniem w nast�puj�cy spos�b. Mo�na powiedzie�, �e agenci posiadaj�cy wiedz� wykazuj� �wiadome zachowanie, podczas gdy agenci bez wiedzy musz� wykazywa� jak�� form� poszukiwania zachowanie zamiast tego. Od punktu odniesienia obserwatora, je�li widzimy agenta szukaj�cego czego�, mo�emy wywnioskowa�, dlaczego tak si� dzieje z powodu braku wiedzy o tym, gdzie mo�na znale�� to, czego szukaj�. Dlatego mo�emy powiedzie�, �e zachowanie wiedz�ce jest przeciwie�stwem poszukiwa� (lub u�ycia innej analogii, dw�ch stron tej samej monety). Na przyk�ad, osoba wykazuje si� �wiadomym zachowaniem, gdy przechodzi prosto z ogrodu zoologicznego do stawu ��dkowego w nowojorskim Central Parku, bez konieczno�ci patrzenia na map�. Inna osoba, mo�e antylopo�ski go�� z do�u, b�dzie musia� u�y� mapy, aby "znale��" drog� zamiast niej (zwr�� uwag� na u�ycie metafory wyszukiwania, aby opisa� ten proces). Nieuchronnie b�dzie musia� fizycznie szuka� na pewnym etapie, gdy zgubi si� po drodze, gdy mapa nie pasuje do rzeczywisto�ci. Podsumowanie wa�nych poj��, kt�re mo�na wyci�gn�� z tej cz�ci, pokazano poni�ej:

• Symboliczne podej�cie odg�rne do AI zak�ada, �e mo�emy reprezentowa� wiedz� za pomoc� symboli.
• Pod-symboliczne podej�cie "oddolne" do sztucznej inteligencji k�adzie nacisk na przetwarzanie bod�c�w, a nie symboli.
• Koncepcyjna teoria przestrzeni zak�ada po�rednie �rodowisko, w kt�rym poj�cia reprezentowane jako regiony w przestrzeni n-wymiarowej s� centraln� cech� ludzkiej wiedzy i rozumowania.
• Mapy reprezentuj� wiedz� topograficzn�, ale mog� by� r�wnie� wykorzystywane do reprezentowania innych form wiedzy w spos�b abstrakcyjny.
• Mapy zdarze� mog� by� u�ywane do reprezentowania i wizualizacji danych n-wymiarowych w dw�ch wymiarach.
• Regu�y s� form� reprezentacji wiedzy, kt�ra u�ywa instrukcji IF-THEN (warunku-dzia�ania).
• Istniej� dwa g��wne typy rozumowania na podstawie regu�: przekonanie do przodu, kt�re rozpoczyna si� od fakt�w i pr�buje udowodni� konkretny cel, jest prawdziwe; i rozumowanie wsteczne, kt�re zaczyna si� od celu w pierwszej kolejno�ci i dzia�a wstecz, aby pokaza�, �e fakty potwierdzaj� hipotez� celu. • Ramki reprezentuj� wiedz� za pomoc� koncepcji prototypowych, a dziedziczenie i dopasowywanie stanowi� dwa rodzaje rozumowania.
• Drzewa decyzyjne przedstawiaj� graficznie wiedz� jako drzewo skierowane, z pytaniami lub decyzjami zwi�zanymi z ka�dym w�z�em w drzewie oraz wnioski w w�z�ach li�ci. Rozumowanie opiera si� na wykorzystaniu fakt�w, aby wskaza�, do kt�rej ga��zi drzewa nale�y pod��a�.
• Sieci semantyczne wykorzystuj� r�wnie� form� graficzn� do reprezentowania wiedzy, z w�z�ami reprezentuj�cymi poj�cia i �ukami reprezentuj�cymi relacje mi�dzy koncepcjami. Sieci semantyczne s� �ci�le zwi�zane z ramami

Inteligencja

Natura inteligencji

Jaka jest natura inteligencji? To jest pytanie, kt�re by�o rozwa�ane i dyskutowane przez tysi�ce lat. Wiele os�b na przestrzeni wiek�w przedstawi�o swoj� opini� na ten temat, co ilustruj� cytaty poni�ej

Lao Tzu (Nieznany; VI wiek p.n.e.) , Chi�ski kronikarz : "Poznanie innych to inteligencja; poznanie siebie jest prawdziw� m�dro�ci�. Opanowanie innych jest si��; opanowanie siebiejest prawdziw� moc�. Je�li zdajesz sobie spraw�, �e masz do��, jeste� naprawd� bogaty."

Socrates , 469-399 p.n.e. , Grecki filozof : "Wiem, �e jestem inteligentny, bo wiem, �e nic nie wiem "

Leonadoda Vinci, 1452-1519, W�oski naukowiec, rze�biarz : "Ka�dy, kto prowadzi sp�r, odwo�uj�c si� do autorytetu nie wykorzystuje swojej inteligencji, po prostu u�ywa swojej pami�ci."

Abigail Adams ,1744-1818 ,Ameryka�ska Pierwsza Dama : "Zawsze czu�am, �e inteligencja osoby jest bezpo�rednio odzwierciedlona przez liczb� sprzecznych punkt�w widzenia, kt�re mg� bawi� si� jednocze�nie na ten sam temat. "

Albert Einstein, 1879-1955 , Niemiecki fizyk : "Prawdziwym znakiem inteligencji nie jest wiedza, ale wyobra�nia."

Bertolt Brecht ,1898-1956 ,Niemiecki poeta i dramaturg : "Inteligencja nie polega na tym, by nie pope�nia� b��d�w, ale szybko to widzie� jak uczyni� je dobrymi."

Arthur Samuel, 1901-1990, Ameryka�ski pionier AI : "Chodzi o to, aby maszyny pokazywa�y zachowania, kt�re, je�li zosta�yby wykonane przez ludzi, zak�ada�yby wykorzystanie -inteligencji".

Alan Turing ,1912-1954, Brytyjski naukowiec, matematyk : "Komputer zas�uguje na miano inteligentnego je�li mo�e oszuka� cz�owieka, aby uwierzy�, �e jest cz�owiekiem. "

Susan Sontag , 1933-2004, Ameryka�ska pisarka : "Inteligencja to naprawd� rodzaj smaku: smak pomys��w"

Carl Sagan ,1934-1996, Ameryka�sji astronom pisarz , naukowiec : "Poznanie wielkiej sprawy nie jest tym samym, co bycie m�drym; inteligencja to nie tylko informacje, ale tak�e os�d, spos�b, w jaki gromadzone i wykorzystywane s� informacje. "

Linus Torvalds , 1969 - , Fi�ski in�ynier : "Inteligencja to umiej�tno�� unikania pracy, a jednak zdobywania mo�liwo�ci uko�czenia pracy"

Wydaje si�, �e ka�dy ma w�asn� opini� na temat tego, czym jest inteligencja. Inteligencja to koncepcja, o kt�rej wszyscy wiedz�, ale rozumie j� inaczej. Jak widzieli�my w poprzednim rozdziale, spos�b, w jaki ka�da osoba rozumie okre�lon� koncepcj�, b�dzie mia� sw�j niepowtarzalny "smak". By� mo�e jednym z najciekawszych cytowa� powy�ej jest Susan Sontag, kt�ra u�ywa analogii mi�dzy smakiem i inteligencj�. Smak to z�o�ona sensacja w czterech wymiarach - s�odyczy, kwaskowo�ci, goryczy i s�ono�ci. Podobnie inteligencja jest z�o�on� koncepcj� o wielu wymiarach. Inteligencja ma wiele aspekt�w - jej natury nie da si� zdefiniowa� za pomoc� jednego z tych cytat�w; wymaga ich wszystkich. Jako analogi�, spr�buj opisa� Mona Lisa. Opis malowania jednej osoby mo�e by� anatem� dla innej osoby. Wyobra�my sobie, �e mo�emy odda� Mona Lisa do kilku napisanych s��w, a potem naiwnie uwierzy�, �e inni ludzie zgodz� si� z nami, �e jest to jedyny ostateczny opis, jest jak wierzenie, �e ludzie powinni tylko je�� jeden rodzaj jedzenia, lub cieszy� si� ogl�daniem jednego rodzaju obrazu lub czyta� jeden rodzaj ksi��ki. Obraz Mona Lisa nadal inspiruje ludzi do pisania coraz wi�cej s��w na ten temat. Podobnie, inteligencja nie jest czym�, co mo�emy definitywnie wyja�ni�. Ale to nie powstrzyma ludzi przed kontynuowaniem tego, poniewa� dzi�ki temu mo�na uzyska� g��bszy wgl�d w jego natur�. Chocia� definicje inteligencji s� obarczone problemami, mo�emy poszukiwa� po��danych w�a�ciwo�ci inteligencji, aby pom�c nam opisa� natur� inteligencji. Innymi s�owy, mo�emy pom�c zdefiniowa� natur� inteligencji, opisuj�c, jak ona wygl�da lub jak smakuje. U�ywaj�c analogii smaku, mo�emy pomy�le� o tych w�a�ciwo�ciach jako o "sk�adnikach" w przepisie na inteligencj� - musimy je po��czy�, aby nada� okre�lony smak, kt�ry niekt�rzy polubi�, podczas gdy inni nie, preferuj�c alternatywne smaki . Na przyk�ad mo�emy pos�u�y� si� analogi� afryka�skich i australijskich odkrywc�w, pr�buj�cych opisa�, jak �yrafa lub dziobak wygl�da na kogo�, kto nigdy jej nie widzia�. Badacze b�d� u�ywa� s��w (poj��), kt�re s� im znane, takich jak "d�uga szyja" i "rybopodobny ogon", ale ich opis b�dzie "doprawiony" w�asn� unikaln� perspektyw�. Bez wzgl�du na to, jakie s�owa wymy�l�, b�d� nadmiernie podkre�la� pewne cechy i zignorowa� inne wa�ne sk�adniki. Podobnie, badacze AI z do�wiadczeniem w in�ynierii wiedzy i symbolicznym podej�ciu do sztucznej inteligencji b�d� opisywa� inteligencj� u�ywaj�c sk�adnik�w takich jak:

• zdolno�� do zdobywania i stosowania wiedzy;
• umiej�tno�� rozumowania; i
• umiej�tno�� podejmowania decyzji i planowania w celu osi�gni�cia okre�lonego celu.

Naukowcy zajmuj�cy si� sztuczn� inteligencj�, kt�rzy preferuj� podej�cie behawioralne, opisuj� inteligentne zachowanie uciele�nionych, usytuowanych agent�w, u�ywaj�c sk�adnik�w takich jak:

• zdolno�� do dzia�ania, kt�re zewn�trzny inteligentny agent uzna�by za inteligentny;
• umiej�tno�� zademonstrowania wiedzy na temat konsekwencji swoich dzia�a�; i
• umiej�tno�� zademonstrowania wiedzy o tym, jak wp�ywa� na �rodowisko lub zmienia� jego otoczenie, aby wp�ywa� na wyniki i osi�ga� za�o�one cele.

Je�li my�limy o inteligencji za pomoc� analogii mapowania, jak om�wiono w poprzednim rozdziale, mo�emy u�y� nast�puj�cych sk�adnik�w do opisania inteligencji:

• zdolno�� uciele�nionego, usytuowanego agenta do mapowania �rodowisk, zar�wno rzeczywistych, jak i abstrakcyjnych (tj. Rozpoznawanie wzorc�w w celu dostarczenia u�ytecznych uproszcze� i / lub charakterystyk ich �rodowisk);
• umiej�tno�� korzystania z map w celu poruszania si� po otoczeniu;
• mo�liwo�� aktualizacji map, gdy uzna, �e nie pasuj� one do rzeczywisto�ci; i
• mo�liwo�� przekazywania szczeg��w swoich map innym agentom.

Wa�ne jest jednak, aby zda� sobie spraw�, �e nie s� to ostateczne opisy, tylko sk�adniki alternatywnych recept na inteligencj�. W poprzednich cz�ciach widzieli�my r�ne przyk�ady (implementowane jako modele w NetLogo), kt�re wykaza�y niekt�re z tych sk�adnik�w. Pod pewnymi wzgl�dami modele te wykazywa�y niewielki stopie� inteligencji w tym sensie, �e gdyby�my zaobserwowali czynnika ludzkiego o tym samym zachowaniu, uznaliby�my to za znak inteligencji. W nast�pnym tomie tej serii ksi��ek zobaczymy tak�e inne modele, kt�re poka�� bardziej zaawansowane technologie. Mo�na jednak argumentowa�, �e przyk�ady te nie wykazuj� �adnej prawdziwej inteligencji - ale oczywi�cie zale�y to od twojej w�asnej perspektywy, a tak�e od sk�adnik�w, kt�re wybierzesz dla w�asnego przepisu na inteligencj�

Inteligencja bez reprezentacji i rozs�dku

W ostatniej cz�ci zadano pytanie, czy mo�na uzyska� wiedz� bez reprezentacji. Podobnie mo�emy zada� sobie nast�puj�ce pytanie: "Czy mo�na mie� inteligencj� bez reprezentacji?" W prze�omowym artykule Rodney Brooks rozwa�a� dok�adnie to samo pytanie. W innym artykule rozwa�y� tak�e pokrewne pytanie: "Czy mo�liwe jest posiadanie inteligencji bez rozumowania?" Jak om�wiono w poprzedniej sekcji, Brooks opowiada si� za uciele�nionym, usytuowanym podej�ciem do AI - raczej pod-symboliczny paradygmat ni� klasyczny symboliczny paradygmat. Kiedy m�wi o mo�liwo�ci inteligencji bez "reprezentacji", oznacza, �e uciele�niony, po�o�ony agent nie musi jawnie reprezentowa� swojego �rodowiska - mo�e po prostu na ni� reagowa�. Agent nie musi mie� wyra�nej wiedzy o �wiecie, w kt�rym si� znajduje, poniewa� agent mo�e bezpo�rednio "konsultowa�" go poprzez interakcj� z nim. Brooks idzie dalej i stwierdza, �e inteligencja jest wy�aniaj�c� si� w�asno�ci� pewnych z�o�onych system�w (patrz cytat na pocz�tku tego rozdzia�u). Pomys�y Brooka s� interesuj�ce, poniewa� stwarzaj� mo�liwo��, �e w projektowaniu system�w sztucznej inteligencji nie b�dziemy musieli wykonywa� ca�ej pracy samodzielnie. Je�li uda nam si� znale�� w�a�ciwy spos�b na ustalenie warunk�w pocz�tkowych systemu, sam system wykona dla nas prac�, a dzi�ki samoorganizacji powstanie inteligencja. Niestety, cho� pomys� ten jest bardzo intryguj�cy, nikt jeszcze nie zorientowa� si�, jak ustawi� niezb�dne warunki pocz�tkowe. Jak zauwa�yli inni badacze, podej�cie Brooka do AI niekoniecznie jest wolne od reprezentacji czy rozumowania. "Wiedza" potrzebna robotom podobnym do owad�w reaguj�cym na reakcje, kt�re jego zesp� zbudowa�, aby zademonstrowa� swoje podej�cie, jest faktycznie reprezentowana w ramach architektury subsumption i sko�czonych automat�w pa�stwowych u�ywanych do projektowania robot�w. (Dowiemy si� o tym wi�cej w nast�pnym tomie). Mo�na r�wnie� argumentowa�, �e ta architektura ma podstawow� form� rozumowania, chocia� nie jest to to samo, co tradycyjna, symboliczna forma rozumowania w klasycznych kategoriach AI. Je�li jednak przyjmiemy te argumenty, musimy r�wnie� zgodzi� si�, �e mr�wki i termity opisane w poprzednich rozdzia�ach r�wnie� wykorzystuj� reprezentacj� i wykonuj rozumowanie - poniewa� wiedza "mr�wki" jest definiowana przez jej instynktowne zachowania i rozproszona w ca�ym �rodowisku, a nie w jakim� wewn�trznym stanie, kt�ry jest dynamicznie aktualizowany w ramach jednego agenta. Wcielone podej�cie Brooka koncentruje si� na specyficznych sk�adnikach inteligencji. Teoria przestrzeni poj�ciowych G�rdenfors oferuje alternatywne podej�cie hybrydowe, kt�re pr�buje wyja�ni�, w jaki spos�b mog� powsta� dalsze sk�adniki inteligencji, koncepcyjne, a tak�e symboliczne i pod-symboliczne. Dalsza eksploracja tych pomys��w jest konieczna, je�li chcemy uzyska� niezb�dne sk�adniki dla inteligencji na poziomie ludzkim.

Co AI mo�e i nie mo�e zrobi�

Dziedzina sztucznej inteligencji sta�a si� dla niekt�rych krytyczna na przestrzeni wielkich przepowiedni, z kt�rymi jest cz�sto kojarzona, oraz postrzegana pora�ka pola w ich realizacji. Wielu badaczy w przesz�o�ci pope�ni�o b��d, powa�nie nie doceniaj�c trudno�ci zadania. Herbert Simon przewidzia�, �e do roku 1967 komputer stanie si� mistrzem �wiata w szachach - zaj�o to czas a� do roku 1997, zanim mistrz �wiata zosta� po raz pierwszy pobity przez kompute. Przewidywa� tak�e (ponownie w 1967 roku), �e komputer b�dzie w stanie odkry� nowe twierdzenie matematyczne i udowodni� je. Odkrycie twierdze� matematycznych okaza�o si� trudne - wa�ne nowe twierdzenie nie zosta�o jeszcze odkryte przez komputer - chocia� techniki zautomatyzowanego dowodzenia twierdze� istniej� ju� od jakiego� czasu (ponownie patrz poni�ej). Marvin Minsky, ponownie w 1967 roku, przewidzia�, �e problem tworzenia sztucznej inteligencji zostanie rozwi�zany w ci�gu pokolenia. Przewidywania wczesnych naukowc�w zajmuj�cych si� sztuczn� inteligencj� stanowi�y inspiracj� dla Stanleya Kubricka i komputera Hal C. Clarke'a . HAL 9000, kt�ry zacz�� funkcjonowa� w ich historii w 1992 roku. Prawie dwie dekady p�niej ich wizja komputer�w o zdolno�ciach emocjonalnych i konwersacyjnych wci�� jest daleka od rzeczywisto�ci. Dalsze roszczenia zosta�y poczynione w odniesieniu do bardziej szczeg�owych podp�l AI - to na przyk�ad w 1957 r. twierdzono, �e t�umaczenie maszynowe zostanie rozwi�zane w ci�gu trzech do pi�ciu lat. Ka�dy, kto dzi� korzysta z us�ug t�umaczenia maszynowego online lub oprogramowania do t�umaczenia maszynowego, b�dzie �wiadomy, �e jest to dalekie od przypadku. Dzisiejsze prognozy m�wi�, �e do 2020 roku b�dziemy dysponowa� komputerami o wi�kszej mocy obliczeniowej ni� m�zg i robotami o inteligencji ludzkiej do roku 2050, a nawet robotami zdolnymi do bicia ludzi w pi�ce no�nej (tak�e do 2050 roku). Ray Kurzweil w Erze Inteligentnych Maszyn dokona� wielu przewidywa� dotycz�cych technologii komputerowej i sztucznej inteligencji, w szczeg�lno�ci, z kt�rych wiele si� spe�ni�o, ale niekt�re z nich nie (takie jak przewidywania, �e do 2009 r. U�ytkownicy b�d� polega� g��wnie na rozpoznawaniu mowy w celu komunikacji z komputerami, a nie klawiatur�). W The Singularity jest blisko: Kiedy Humans Transcend Biology, postuluje to, co nazywa "Osobliwo�ci�" wyst�puj�c� w naszym �yciu (w 2045 r.). To b�dzie destrukcyjne, zmieniaj�ce �wiat wydarzenie, kt�re na zawsze zmieni bieg ludzkiej historii i stanie si�, gdy nadprzyrodzone ludzkie istoty b�d� najbardziej inteligentnymi istotami na planecie. Odt�d rozw�j technologiczny zostanie przej�ty przez maszyny, a my, jako ludzie, nie b�dziemy ju� w stanie nad��y�. Bardzo trudno jest przewidzie� przysz�o��, szczeg�lnie je�li chodzi o zaawansowanie technologiczne, i czy prognozy Kurzweila si� pojawi�, b�dziemy musieli poczeka� i zobaczy�. Zamiast przewidywa�, co AI mo�e osi�gn�� w przysz�o�ci, mo�emy zamiast tego zbada�, co AI osi�gn�o w przesz�o�ci, a tak�e spojrze� na tera�niejszo��. Na przyk�ad poni�sza lista wymienia dwana�cie zada�, do kt�rych mo�emy zastosowa� sztuczn� inteligencj�. Pierwsze dziewi�� pozycji na tej li�cie pochodzi z �wiczenia (1.7) autorstwa Russella i Norviga. We wszystkich tych zadaniach osi�gni�to sukcesy w sztucznej inteligencji w r�nym stopniu. Stopie� sukcesu jest jednak otwarty na debat�. Na przyk�ad, jaka jest przyzwoita gra w tenisa sto�owego? Odpowied� jest subiektywna - r�nica w standardzie mi�dzy dzieckiem lub kompletnym nowicjuszem a mistrzem olimpijskim jest znaczna. Robot TOPOS TOSY mo�e wchodzi� w interakcje z cz�owiekiem, aby gra� w tenisa sto�owego w ograniczonym zakresie. Ale w pe�ni autonomiczna rozgrywka turniejowa znacznie wykracza poza jej mo�liwo�ci.

1. Rozegraj przyzwoit� gr� w tenisa sto�owego.
2. Jed� do centrum Kairu.
3. Robienie tygodniowych zakup�w artyku��w spo�ywczych na rynku lub w Internecie.
4. Rozegraj przyzwoit� gr� w bryd� na konkurencyjnym poziomie.
5. Odkrywaj i udowadniaj matematyczne twierdzenia.
6. Napisz celowo zabawn� histori�.
7. Udziel kompetentnej porady prawnej w specjalistycznej dziedzinie prawa.
8. Przet�umacz m�wiony j�zyk angielski na m�wiony j�zyk szwedzki w czasie rzeczywistym.
9. Wykonaj z�o�on� operacj� chirurgiczn�.
10. Rozpoznawaj i estetycznie doceniaj Mona Lisa.
11. Stw�rz wirtualnego Elvisa.
12. Wykonaj wszystkie powy�sze czynno�ci.

W konkursie DARPA Grand Challenge na rok 2007 przewidziano "Urban Challenge", w kt�rym autonomiczne pojazdy musia�y pokona� 96 km przebiegu w czasie kr�tszym ni� 6 godzin, przestrzegaj�c wszystkich przepis�w ruchu drogowego, unikaj�c przeszk�d i innych ruch�w. Sze�� pojazd�w z powodzeniem uko�czy�o kurs. Test ten przeprowadzono jednak w kontrolowanym �rodowisku Bazy Si� Powietrznych George'a - w centrum Kairu (i innych du�ych miast) to kolejna sprawa, kt�ra podnosi trudno�� na zupe�nie nowy poziom z powodu nieprzewidywalno�ci innych kierowc�w i pieszych . General Motors og�osi� niedawno, �e jest sterowany komputerowo system wykorzystuj�cy lasery i kamer� wideo do Opla Vectry 2008 o nazwie "Traffic Assist", kt�ry b�dzie m�g� autonomicznie prowadzi� samoch�d przy du�ym nat�eniu ruchu z pr�dko�ci� do 60 mph. B�dzie mia� mo�liwo�� rozpoznawania znak�w i omijania przeszk�d, sterowania przyspieszeniem, kierowaniem i hamowaniem, a tak�e wprowadzania zmian kursu i pr�dko�ci w razie potrzeby. To, czy ludzie byliby gotowi pozwoli� sobie na takie luki, jak w samym �rodku Kairu, to inna kwestia. Kupowanie artyku��w spo�ywczych to zadanie, kt�re ludzie cz�sto wykonuj�. Dla wi�kszo�ci os�b niepe�nosprawnych jest to stosunkowo �atwa do wykonania. Nawet najbardziej podstawowe zadania, takie jak pakowanie artyku��w spo�ywczych (problem uznany przez Patrick Winston w 1992 r.) lub zakupy przez Internet (Russell i Norvig) s� trudne dla systemu AI . Negocjowanie sposobu poruszania si� po ruchliwym rynku, rozpoznawanie i sprawdzanie jako�ci przedmiot�w, kt�re s� na sprzeda�, i bezpo�rednie targowanie si� z w�a�cicielami stoisk za cen�, s� nadal daleko poza obecnymi systemami sztucznej inteligencji. Program komputerowy GIB by� w stanie ogra� wszystko opr�cz 11 najlepszych �wiatowych graczy na Mistrzostwach �wiata w Lille we Francji w 1998 roku. Najlepsze programy komputerowe, takie jak Jack, mog� gra� na r�wnych warunkach przeciwko graczom �redniego poziomu. Jednak pole mostu komputerowego jest wci�� w powijakach. AI odnios�o sukces graj�c w szachy przeciwko ludzkim komponentom, w szczeg�lno�ci Deep Blue pokonuj�c mistrza �wiata Gary'ego Kasparowa w 1997 roku, a ostatnio Deep Fritz pokonuj�c mistrza �wiata Vladimira Kramnika w 2006 roku. Do gry Go, gdzie przestrze� poszukiwa� jest o wiele wi�kszy, programy komputerowe zaczynaj� gra� na profesjonalnym poziomie, ale r�nica jest nadal znaczna dla poziomu gry naprawd� silnych graczy ludzkich. Automatyczne dowodzenie twierdze� lub automatyczne wnioskowanie zosta�o dobrze zbadane w AI. Udowadniacz twierdze� OTTER autorstwa Art Quaife, na przyk�ad, udowodni� ponad 400 twierdze� teorii mnogo�ci, ponad 1200 twierdze� teorii liczb, a tak�e twierdzenia o geometrii euklidesowej i twierdzenia o niezupe�no�ci G�dla. Obecnie trudniejszym wyzwaniem, kt�re jest obecnie badane, jest automatyczne rozpoznawanie twierdze� przy u�yciu zestawu aksjomat�w domeny. Warunkiem, kt�ry sprawia, �e jest to szczeg�lnie trudne, jest to, �e odkryte twierdzenia powinny by� interesuj�ce zar�wno dla ludzi, jak i trudne do udowodnienia ludziom i automatycznym systemom dowodzenia twierdze�. Generowanie j�zyka naturalnego jest czcigodnym podzakresem przetwarzania j�zyka naturalnego, kt�ry obejmuje automatyczne generowanie tekstu pisanego. Generowanie fabu�y zajmuje si� wy��cznie problemem uzyskania komputera do automatycznego napisania opowiadania. Cz�sto wyniki produkowane przez niekt�re programy komputerowe generuj�ce opowie�ci s� niezamie�cie zabawne z powodu absurdalno�ci kombinacji s��w i fraz, kt�re cz�sto wynikaj� z losowego procesu selekcji. Generowanie intencjonalnego humoru, kt�ry jest jednocze�nie nowy i unikalny, jest znacznie bardziej z�o�ony. Podobnie, tworz�c opowie�� ze z�o�ono�ci� Ulysses Jamesa Joyce'a, "wyczuwaln� blaskiem" i ciep�em Harper Lee's To Kill a Mockingbird, satyrycznym humorem Paragrafu 22 Josepha Hellera i krzykliw� absurdi� Autostartu Douglasa Adama autostopu: A Trylogia w pi�ciu cz�ciach wykracza daleko poza to, co komputer mo�e obecnie produkowa�. Techniki z p�l sztucznej inteligencji system�w eksperckich i system�w wyszukiwania informacji zosta�y dostosowane do tworzenia system�w doradztwa prawnego i powiela� legalne rozumowanie s�dzi�w. System ekspercki jest konsultowany w celu rozwi�zania konkretnego przypadku, a do przeszukiwania dokumentacji s�u�y system wyszukiwania informacji znale�� podobne przypadki. Oczywi�cie te systemy doradztwa prawnego nie maj� jeszcze zdolno�ci prawdziwych prawnik�w, takich jak ci, kt�rzy dyskutuj� o prawnej zawi�o�ci w sprawie Bright Tunes Music przeciwko Harrisongs Music (gdzie z powodzeniem przekonywano, �e "M�j s�odki lord" George'a Harrisona by� naruszeniem praw autorskich czuje si� dobrze). Gdyby te systemy mia�y te same mo�liwo�ci, byliby�my teraz w stanie zast�pi� wszystkich prawnik�w komputerami. Rozpoznawanie mowy i oprogramowanie do t�umaczenia maszynowego o r�nych mo�liwo�ciach istnieje ju� od wczesnych lat sze��dziesi�tych. Wyszukiwarki coraz cz�ciej u�ywaj� tego drugiego, aby pom�c ludziom czyta� dokumenty online w innym j�zyku. Automatyczne przetwarzanie j�zyka naturalnego jest szczeg�lnie trudnym problemem dla komputer�w, poniewa� tolerancja rodzimych u�ytkownik�w j�zyka na b��dy jest bardzo niska. Na przyk�ad systemy rozpoznawania mowy cz�sto reklamuj� wyniki dok�adno�ci powy�ej 90%. Brzmi to wystarczaj�co dobrze, ale by�oby nam bardzo trudno tolerowa� s�uchanie innej osoby, gdyby pope�ni� a� 10 b��d�w na ka�de 100 wypowiedzianych s��w. Wyniki dla t�umaczenia maszynowego s� znacznie ni�sze w por�wnaniu, cz�sto w wyniku niedopasowania mi�dzy dwoma r�nymi systemami poj�ciowymi wyra�onymi przez j�zyki �r�d�owe i docelowe. W zwi�zku z tym trudno�ci w wykonywaniu symultanicznego t�umaczenia j�zyka m�wionego, w kt�rym mo�e wyst�powa� znacz�cy ha�as. Ponadto t�umaczenie symultaniczne wymaga zdolno�ci konwersacyjnych. Mimo �e wiele witryn twierdzi inaczej, �aden aktualny chatbot ani agent rozmowy nie jest w stanie przeprowadzi� wiarygodnej rozmowy z dan� osob�, lub jest w stanie przej�� testu Turinga. Systemy te zachowuj� jedynie podobie�stwo do rozmowy, a ich niedoskona�o�ci s� wyra�nie widoczne po kr�tkiej rozmowie. Robotyka zrobi�a znacz�cy post�p w ostatnich latach. Mo�na go scharakteryzowa� za pomoc� technik, kt�re wykorzystuj� rosn�cy poziom automatycznej autonomii. Zdalna operacja (lub telekurgia) wykorzystuje robotyk�, aby umo�liwi� wykonanie operacji zdalnie przez cz�owieka. Zazwyczaj wymaga to chirurgii ma�oinwazyjnej za pomoc� chirurgicznych urz�dze� z dziurk� od klucza ze zdalnym sterowaniem. Bezobs�ugowa operacja polega na zastosowaniu w pe�ni autonomicznych chirurg�w-robot�w i odnios�a ostatnio sukces. Pierwsza bezza�ogowa operacja chirurgiczna mia�a miejsce w maju 2006 r. We W�oszech u 47-letniego m�czyzny w celu skorygowania arytmii serca, operacja zosta�a oceniona jako lepsza ni� ta wykonywana przez ponad przeci�tnego chirurga ludzkiego. W styczniu 2009 r. przeprowadzono pierwszy w pe�ni zautomatyzowany przeszczep nerki w New Jersey. Te du�e post�py w dziedzinie robotyki i procedur medycznych spowodowa�y znacznie wi�ksz� precyzj� chirurgiczn� i mniejsze naci�cia, prowadz�c do mniejszego b�lu, mniejszej utraty krwi i kr�tszych czas�w gojenia. Oprogramowanie do rozpoznawania twarzy poczyni�o znaczne post�py na przestrzeni lat. Obecnie jest on wykorzystywany w wielu miejscach, takich jak lotniska, do automatycznego rozpoznawania przest�pc�w i terroryst�w oraz w systemach bezpiecze�stwa dla biometrii. Na przyk�ad oprogramowanie do rozpoznawania twarzy zosta�o wykorzystane do zidentyfikowania 19 os�b, kt�re aresztowano ,gwarantuje, �e w Super Bowl w Tampa Bay na Florydzie w 2001 r. oprogramowanie jest dalekie od idea�u, zmaga si� z obrazami w niskiej rozdzielczo�ci i s�abym o�wietleniem, s� problemy z prywatno�ci� i mog� je omin�� osoby nosz�ce okulary przeciws�oneczne lub u�ywaj�ce r�nych wyraz�w twarzy, takich jak jako du�y u�miech. Wyst�pi�y problemy z wczesnymi systemami - na przyk�ad rozmieszczenie w londy�skiej dzielnicy Newham nie rozpozna�o ani jednego przest�pcy w ci�gu kilku lat. Ostatnie post�py odnotowa�y znaczn� popraw� dok�adno�ci, przewy�szaj�c ludzi w niekt�rych eksperymentach, w tym wykazuj�c zdolno�� do rozr�nienia mi�dzy identycznymi bli�ni�tami. Najwyra�niej prostym zastosowaniem tego oprogramowania by�oby rozpoznanie obrazu takiego jak Mona Lisa. Znacznie trudniejsza jest klasyfikacja du�ej liczby obraz�w do wyszukiwania obraz�w w skali internetowej. Wyszukiwarki wci�� opieraj� si� g��wnie na otaczaj�cym tek�cie w dokumentach internetowych, aby pom�c w identyfikacji obraz�w, poniewa� osi�ga to efektywne wyniki, jest znacznie szybsze i wymaga znacznie mniej zasob�w. Pe�na estetyka artystycznych obraz�w, takich jak Mona Lisa, kt�ra tworzy wyj�tkow� i krytyczn� analiz� r�nic w stylu malarskim i tre�ci, jest r�wnie� poza obecn� technologi�. Przechwytywanie ruchu (zwane tak�e mocap) to technika u�ywana do animacji w filmach i grach komputerowych, kt�ra rejestruje ruch cz�owieka lub zwierz�cia, a nast�pnie generuje realistyczny ruch wirtualnie za pomoc� modelu cyfrowego. Techniki Mocap u�yte na przyk�ad w filmie King Konga Petera Jacksona umo�liwi�y tworzenie wirtualnych debet�w dla g��wnych postaci, kt�re s� tak dobre, �e trudno je odr�ni� od prawdziwych. Wirtualny Elvis, kt�ry improwizuje w czasie rzeczywistym ze zdolno�ci� do �piewania nowych piosenek, kt�re nie zosta�y wcze�niej nagrane, gdy �y� (w przeciwie�stwie do wirtualnego Elvisa, kt�ry �piewa� z Celine Dion w American Idol), jest wci�� poza najnowszym stanem wiedzy. ��cznie ludzie s� w stanie wykona� wszystkie zadania wymienione w powy�szych zadaniach. Jednak jest ma�o prawdopodobne, by istnia� jeden cz�owiek, kt�ry istnieje dzisiaj, kt�ry mo�e wykona� wszystkie te zadania samodzielnie, chyba �e jest znany szwedzkim chirurgie, kt�ry jest podziwiany za swoj� sztuk�, kt�ry jest arcymistrzem szach�w zajmuj�cych si� prawem, matematyk� i animacj� komputerow�, kt�ry jest zabawne. Spodziewanie si�, �e sztuczna inteligencja wykona wszystkie te zadania, mo�e podnie�� poprzeczk� zbyt wysoko w stosunku do naszych oczekiwa� co do tego, czym jest lub powinna by� sztuczna inteligencja.

Potrzeba zaprojektowania cel�w sztucznej inteligencji

Jedn� z g��wnych trudno�ci w badaniach nad sztuczn� inteligencj� jest to, �e nie uda�o si� jej jeszcze opracowa� realistycznej definicji inteligencji. Definiowanie inteligencji jest obarczone problemami i od stuleci jest �r�d�em filozoficznych debat. Z pragmatycznego punktu widzenia, projektuj�c systemy wykazuj�ce sztuczn� inteligencj�, mo�emy przyj�� perspektyw� in�yniersk� - wiemy, czym jest inteligencja, dowiemy si�, kiedy nasze systemy demonstruj� inteligencj�, gdy je obserwujemy, wi�c niekoniecznie musimy definiowa�, co to jest. Jednak to unikanie podawania definicji inteligencji z g�ry prowadzi do braku dok�adno�ci w literaturze i badaniach. Terminy "sztuczna inteligencja" i "systemy inteligentne" s� cz�sto nadu�ywane z bardzo ma�ym uzasadnieniem, dlaczego system jest "inteligentny". Bez definicji inteligencji problemem staje si� to, �e nie jest ju� jasne, czy to, co zosta�o zbudowane naprawd�, jest w rzeczywisto�ci "inteligentne". Wczesne systemy sztucznej inteligencji w latach siedemdziesi�tych i osiemdziesi�tych cierpia�y na brak oceny - istnia�o p�d do budowy nowych system�w, ale cz�sto przeprowadzono bardzo niewiele oceny tego, na ile systemy dzia�aj�. Bez dzia�aj�cej definicji inteligencji ten sam problem wyst�puje obecnie w przypadku obecnych system�w sztucznej inteligencji - w jaki spos�b mo�emy oceni�, jak skuteczny mo�e by� nasz system AI, je�li nie mamy definicji tego, co powinno by� (a nawet osi�gn�� lub zrobi�)? Mo�emy jednak unikn�� filozofii Mo�emy jednak unikn�� filozoficznych pu�apek i zamiast pr�bowa� zdefiniowa� inteligencj�, i twierdz�c, �e ta definicja jest "w�a�ciwa", zamiast tego mo�emy zaproponowa� cele projektowe dla system�w sztucznej inteligencji, kt�re chcemy budowa�. Mo�emy stwierdzi�, �e z punktu widzenia projektowania s� to cele, kt�re chcemy osi�gn�� w naszym systemie sztucznej inteligencji. Nast�pnie mo�emy zaproponowa� te cele, dodawa� nowe i zmienia� istniej�ce, tak jak uwa�amy, aby poprawi� projekt, poniewa� sami jeste�my projektantami. Inne osoby mog� krytykowa�, czy nasze cele s� op�acalne z punktu widzenia in�ynierii (tj. Nie produkuj� "dobrych" program�w lub nie s� tak dobre, jak inne podej�cia), ale debata filozoficzna jest istotna tylko w tym sensie, �e mo�e pom�c w informowaniu i ulepszy� nasz projekt. Ocena staje si� teraz prostsza - wszystko, co musimy zrobi�, to oceni�, czy osi�gn�li�my nasze cele projektowe.

Jakie s� dobre cele?

Jakie s� jednak dobre cele? Najpierw musimy spojrze� na to, co stanowi dobry cel. W zarz�dzaniu projektami istnieje dobrze znany akronim, kt�ry s�u�y do tworzenia dobrych cel�w - SMARTER - gdzie ka�da litera w akronimie oznacza po��dane atrybuty. Projektant mo�e zadawa� pytania o odpowiednio�� proponowanego przez niego celu - czy jest on konkretny, czy mo�e by� mierzalny, czy jest mo�liwy do osi�gni�cia, czy ma okre�lony termin i tak dalej. Wyznaczanie dobrych cel�w jest jednak bardziej sztuk� ni� nauk�, co mo�e odzwierciedla� nieporozumienie dotycz�ce termin�w u�ywanych dla ka�dej litery. By� mo�e terminy najbardziej istotne dla bada� nad sztuczn� inteligencj� to pierwsze cztery g��wne terminy - potrzeba, by cele by�y konkretne, mierzalne, osi�galne i w mniejszym stopniu realistyczne. Charakter tych atrybut�w b�dzie z czasem ulega� zmianie w zwi�zku z post�pem - w miar� zdobywania wiedzy o tym, co jest osi�galne, o tym, co jest teraz realistyczne w por�wnaniu z tym, co by�o wcze�niej, oraz z ulepsze� dokonanych w metodach oceny lub pomiaru system�w, kt�re zosta�y zbudowane.

Niekt�re cele projektowe w zakresie sztucznej inteligencji

Jakie s� jednak dobre cele projektowe w Sztucznej Inteligencji? Aby opracowa� odpowiednie cele, najpierw musimy zaproponowa� og�lny cel projektu. Jednym z cel�w projektu mo�e by� d��enie do na�ladowania ludzkiej inteligencji. Og�lna motywacja do zrobienia tego jest dwojakie - po pierwsze, aby�my mogli zbudowa� inteligentne artefakty, kt�re mog� nam w pewien spos�b pom�c, a po drugie, aby�my mogli w rezultacie lepiej zrozumie� w�asn� inteligencj�. Jednak nasza inteligencja jest skomplikowana, zagadkowa i pod wieloma wzgl�dami ukryta przed nami. Mamy etykiety dla aspekt�w naszej inteligencji, kt�re cz�sto wykorzystujemy, aby odr�ni� si� od innych zwierz�t, takich jak kompetentne zachowanie, inteligentne zachowanie, racjonalno��, samo�wiadomo��, zamy�lenie i �wiadomo��, i by� mo�e mo�emy u�y� ich dla naszych cel�w projektowych, jak pokazano poni�ej.

Zasada projektowania 1: System AI powinien by� systemem zorientowanym na agenta.

Cel projektu 1: System sztucznej inteligencji powinien na�ladowa� ludzk� inteligencj�.
Cel projektu 1.1: System sztucznej inteligencji powinien dzia�a� w spos�b kompetentny.
Cel projektu 1.2: System sztucznej inteligencji powinien dzia�a� inteligentnie.
Cel projektu 1.3: System sztucznej inteligencji powinien dzia�a� racjonalnie.
Cel projektu 1.4: System sztucznej inteligencji powinien dzia�a� tak, jakby by� samo�wiadomy.
Cel projektu 1.5: System sztucznej inteligencji powinien dzia�a� tak, jak my�li.
Cel projektu 1.6: System sztucznej inteligencji powinien dzia�a� tak, jakby by� �wiadomy

Oczywistym b��dem w realizacji tych cel�w projektowych jest to, �e w oczywisty spos�b �ami� one SPRYTNE cele mnemoniczne dla wszystkich g��wnych atrybut�w:

o Nie s� wystarczaj�co szczeg�owe, poniewa� nie mamy obecnie praktycznych definicji wiedzy, inteligencji, racjonalno�ci, samo�wiadomo�ci, zamy�lenia i �wiadomo�ci, przynajmniej w tym sensie, �e mog� nam one pom�c w informowaniu nas, jak budowa� systemy, kt�re wykazuj� takie cechy.
o Nie jest jasne, czy cele te s� mo�liwe do osi�gni�cia - w nast�pnej dekadzie, w naszym �yciu, a nawet w og�le. Dlatego te cele mog� nie by� nawet realistyczne.
o Ustalenie ostatecznego ograniczenia czasowego jest obecnie niemo�liwe. Z pewno�ci� nie chcemy wpa�� w t� sam� pu�apk�, w jak� poprzedni poplecznicy AI wpadli w poprzednich dekadach, kiedy twierdzili, �e wszelkie rozwi�zania znajd� si� w "niezbyt odleg�ej przysz�o�ci".

Wi�c, oczywi�cie, nie wydaj� si� to bardzo dobrymi celami. Jednak celem, kt�ry system dzia�a w spos�b kompetentny (cel projektu 1.1), jest ukryty cel dla systemu opartego na wiedzy, cel projektu 1.2 jest ukrytym celem dla system�w inteligentnych, a pozosta�e s� kluczowymi aspektami inteligencji cz�owieka, kt�r� b�dziemy musieli na�ladowa�, aby osi�gn�� cel projektu 1. Oczywi�cie musimy by� bardziej konkretni z naszymi celami projektowymi. Ponadto nie jest jasne, jak osi�galny jest ka�dy z tych cel�w. Na pierwszy rzut oka, je�li chodzi o pierwszy cel, czyli dzia�anie w spos�b kompetentny, mo�na argumentowa�, �e takie systemy istniej� ju� dzi�. Dlatego ten cel mo�e wydawa� si� �atwiejsze do osi�gni�cia ni� inne cele. Ale co to naprawd� znaczy dzia�a� w spos�b kompetentny? Ponadto, co rozumiemy przez "wiedz�" w tej sprawie? Je�li mamy na my�li to, �e system zorientowany na agenta musi mie� wystarczaj�c� wiedz� o swoim �rodowisku, o sobie i innych agentach, aby m�g� dzia�a� w spos�b kompetentny i wykaza� zrozumienie tej wiedzy, wtedy osi�gni�cie wiedzy mo�e by� r�wnie trudne, jak osi�gni�cie jakiegokolwiek z inne cele. W rzeczywisto�ci mo�e by� kluczem do innych cel�w, a gdy zostanie osi�gni�ty, pozosta�e mog� by� �atwiejsze do osi�gni�cia. Mo�na r�wnie� argumentowa�, �e cel, jakim jest inteligentne zachowanie systemu (Cel Projektu 1.2) obejmuje ju� inne cele - system musi ju� wykazywa� wiedz�, racjonalno��, samo�wiadomo��, zamy�lenie i �wiadomo��, je�li ma na�ladowa� inteligentne ludzkie zachowanie. Jednak zale�y to od tego, jak zdefiniujemy te w�a�ciwo�ci. Je�li chcemy u�ywa� terminu "inteligencja" w spos�b podobny do tego, jak u�ywamy go w j�zyku angielskim, sugerowa�oby to, �e w�sza definicja mo�e by� bardziej odpowiednia. Na przyk�ad mo�emy powiedzie� (po angielsku), �e matematyk wykazuje inteligencj� podczas rozwi�zywania r�wnania, a wynalazca wykazuje inteligencj� podczas tworzenia nowego projektu systemu, kt�ry mo�na opatentowa�. Jednak systemy komputerowe ju� wykaza�y zdolno�� do wykonywania obu zada� w poszczeg�lnych domenach. Mo�na wi�c twierdzi�, �e komputery ju� wykazywa�y inteligencj�, przynajmniej w w�skim znaczeniu, �e termin ten jest u�ywany w tym kontek�cie. Jednak�e, chocia� wszyscy zgodziliby si�, �e matematyk i wynalazca s� zamy�leni i �wiadomi, bardzo niewiele os�b zgodzi�oby si�, �e te systemy komputerowe wykazuj� takie w�a�ciwo�ci. Wa�nym aspektem inteligencji jest umiej�tno�� rozwi�zywania problem�w. Systemy AI wykaza�y szerok� gam� mo�liwo�ci rozwi�zywania problem�w, z r�nym powodzeniem. Jednak systemy AI nie wykaza�y jeszcze zdolno�ci do podj�cia przyzwoitego wysi�ku, aby samodzielnie rozwi�za� te problemy, bez korzy�ci p�yn�cych z rozwi�za� opracowanych przez ludzi, ucz�c si�, jak rozwi�zywa� je od zera poprzez nauczanie przez nauczyciela zewn�trznego lub przez nauczyciela zewn�trznego. stopniowe doskonalenie dzi�ki pr�bom i b��dom. Znakiem ludzkiej inteligencji jest to, �e potrafimy rozwi�zywa� z�o�one zadania, zaczynaj�c jako nowicjusze i ucz�c si� przez do�wiadczenie, jak sta� si� ekspertami. Co wa�ne, mo�emy r�wnie� dostosowa� rozwi�zania z jednej dziedziny problemowej do drugiej, wprowadzaj�c innowacje, a tak�e mamy mo�liwo�� wymy�lania zupe�nie nowych rozwi�za�. Jednym ze sposob�w na bardziej szczeg�owe okre�lenie naszych cel�w projektowych jest wyra�ne okre�lenie, w jaki spos�b b�dziemy mierzy�, kiedy zostan� osi�gni�te. By� mo�e mo�emy u�y� testu Turinga jako testu kandydata na inteligencj� konwersacyjn�, aby bardziej szczeg�owo zdefiniowa� Cel Projektu 1.2. Ale co z innymi celami projektowymi? Czy istniej� inne testy, kt�rych mo�emy u�y� lub wymy�li�, kt�re mog� nam pom�c? Rzeczywi�cie istnieje - na przyk�ad istnieje dobrze znany test samo�wiadomo�ci.

Eksperyment My�lowy : Test Lustra dla samo�wiadomo�ci.

The Mirror Test, zaproponowany przez Gordona Gallupa Jr. w 1970 roku, jest testem samo�wiadomo�ci u zwierz�t. Pomys� polega na umieszczeniu zwierz�cia w pokoju z lustrem. Dwie plamki s� ukradkowo oznaczone na zwierz�ciu za pomoc� barwnika (by� mo�e podczas znieczulenia zwierz�cia) - jeden jest punktem kontrolnym umieszczonym w ukrytej, ale dost�pnej cz�ci cia�a, drugi jest widoczny tylko przez lustro (na przyk�ad na czole mi�dzy oczami dla naczelnych). M�wi si�, �e zwierz� przechodzi test samo�wiadomo�ci, je�li zauwa�y drugie miejsce, ale ignoruje pierwsze, tym samym demonstruj�c, �e zwierz� jest w stanie rozpozna� w�asne odbicie w lustrze. Zwierz�ta, kt�re przesz�y test lustra to ma�py cz�ekokszta�tne (bonobo, szympansy, orangutany i goryle), delfiny butlonose, orki, s�onie i europejskie sroki. Podobnie jak w te�cie Turinga na inteligencj�, test lustra samo�wiadomo�ci ma swoich krytyk�w. Chocia� intensywnie testowano na naczelnych, niekt�rzy twierdz�, �e test nie jest odpowiedni dla zwierz�t, kt�re nie opieraj� si� na wizji jako ich g��wnym znaczeniu, takich jak psy, kt�re bardziej polegaj� na zapachu lub zwierz�ta, kt�re nie maj� widzenia stereoskopowego (kr�liki i jelenie ) lub zwierz�ta, kt�re mog� unika� kontaktu z oczami. Dlatego test jest jedynie testem umiej�tno�ci �ci�le odpowiadaj�cych umiej�tno�ciom ludzi. Co ciekawe, robot o nazwie Nico przeszed� ju� test lusterek. Robot zosta� opracowany w ramach projektu Yale Social Robotics Project, kt�rego celem jest zbudowanie antropomorficznych robot�w, kt�re wchodz� w interakcje z lud�mi wykorzystuj�cymi naturalne sygna�y spo�eczne. Nico potrafi rozpoznawa� w�asne odbicie w lustrze, ale robi to tylko rozpoznaj�c w�asny ruch. Jednak by� mo�e to wszystko, co robi� szympansy. Nico wydaje si� podobny do tego, kt�ry jest �wiadomym istot�. Gdyby Nico wygl�da� bardziej jak cz�owiek, jak mogliby�my odr�ni�? Zasadniczo jest to ten sam argument na korzy�� testu Turinga. Je�li nie jeste�my w stanie odr�ni� zachowania, to z obserwacyjnego punktu widzenia (tj. Z uk�adu odniesienia agenta dokonuj�cego obserwacji) atrybut samo�wiadomo�ci - i podobnie inteligencji do testu Turinga - ma dla wszystkie zamiary i cele zosta�y "osi�gni�te" w obserwowanym czynniku. Chocia� Nico jest w stanie zda� ten test (tj. Jest w stanie na�ladowa� takie zachowanie), wyra�nie nie wykazuje samo�wiadomo�ci w taki sam spos�b jak ludzie. Dlatego nasza definicja samo�wiadomo�ci jest zbyt prosta - musimy j� w jaki� spos�b rozszerzy�, aby obj�� zdolno�ci cz�owieka. Kiedy to zrobimy, mo�emy nast�pnie pr�bowa� budowa� roboty, kt�re wykazuj� zachowanie zgodnie z rozszerzon� definicj�. Chocia� eksperymenty takie jak te maj� swoich krytyk�w, ten przyk�ad ilustruje, w jaki spos�b prowadz� one do lepszego zrozumienia naszej w�asnej inteligencji. A co z innymi celami projektowymi? Racjonalno�� jest atrybutem cz�sto przypisywanym agentom inteligentnym - ale co dok�adnie mamy na my�li, gdy u�ywamy tego terminu? Poniewa� naszym og�lnym celem projektowym jest na�ladowanie ludzi, mo�emy spojrze� na siebie jako inspiracj� do zdefiniowania, co mo�e by� racjonalnym zachowaniem, a nie irracjonalnym zachowaniem. Na przyk�ad, nie by�oby racjonalne, aby kto� wyrz�dzi� sobie krzywd�. Nie by�oby racjonalne dla tej osoby, po znalezieniu lekarstwa na raka, a nast�pnie, aby nie powiedzie� o tym innym ludziom. Oznacza to, �e mo�emy uwa�a� (przez powszechne u�ycie tego terminu w j�zyku naturalnym), �e dzielenie si� wiedz� jest racjonaln� rzecz� do zrobienia. Racjonalno�� wi��e si� tak�e z osobistymi preferencjami - na przyk�ad jedna osoba mo�e my�le�, �e bycie wegetarianinem jest irracjonalne, a jednak wegetarianin mo�e pomy�le� wr�cz przeciwnie, �e zamiast tego kto�, kto je mi�so, jest irracjonalny. Mo�emy wst�pnie okre�li�, �e agent dzia�a racjonalnie, je�li zawsze dzia�a, aby zapewni� sobie w�asne przetrwanie i przetrwanie w�asnej rodziny lub innych os�b w swoim rodzaju. Nast�pnie mogliby�my opracowa� testy, aby zobaczy�, jak dzia�a agent w sytuacjach, w kt�rych musi zdecydowa� mi�dzy r�nymi kierunkami dzia�a�. Mo�emy tworzy� takie sytuacje w �rodowisku wirtualnym lub w rzeczywistym �rodowisku dla robot�w. Czy na przyk�ad robot dzia�a w spos�b racjonalny podobny do cz�owieka, gdy ma do wyboru bezpieczny wylot z p�on�cego budynku lub przej�cie przez �cian� ognia, aby dowiedzie� si�, czy w budynku wci�� yj� inne osoby? , kiedy wie, �e takie dzia�anie prawie na pewno doprowadzi do prawdopodobnej �mierci? Racjonalna istota mo�e najpierw rozwa�y� w�asne przetrwanie, podczas gdy robot bez umiej�tno�ci my�lenia w ten spos�b jest po prostu pod��aniem za zaprogramowan� sekwencj� dzia�a� (tj. Nie jest ani racjonalny, ani irracjonalny, tylko program). Rozwa�no�� i �wiadomo�� s� uwa�ane przez niekt�rych za "�wi�tych grails" Sztucznej Inteligencji. Nie jest jasne, w jaki spos�b mo�emy zmierzy� te atrybuty. By� mo�e najlepsz� rzecz�, jak� mo�emy teraz zrobi�, to uzna� problem, pozostawiaj�c cele projektowe dla tych atrybut�w tak nieprecyzyjne, jak w Projekcie 10.1, i odk�adaj problem na bok, dop�ki nie zrozumiemy ich lepiej i jak mogliby�my zmierzy�, kiedy zostan� osi�gni�te. Eksperyment My�lowy 2 proponuje jedn� mo�liw� drog� naprz�d. Mo�emy r�wnie� rozwa�y� alternatywny test na inteligencj�. Cz�sto u�ywanym terminem w bran�y gier i film�w jest "zawieszenie niewiary". Oznacza to, �e celem tw�rc�w jest zawieszenie w umy�le osoby graj�cej w gr� lub ogl�danie filmu ich przekonanie, �e nie jest prawdziwe - im d�u�ej zawieszenie niewiary, tym lepsza rozrywka. W pewnym sensie projektanci gier i film�w opowiadaj� histori� - chc�, aby ludzie byli zanurzeni w narracji, kt�r� stworzyli, tak jak autor powie�ci chce, aby jej czytelnicy zanurzyli si� w opowiadaniu, kt�re stworzy�a. W przypadku odpowiedniego testu AI pod k�tem wiarygodno�ci zawieszenie nie jest jednak wystarczaj�ce. Musimy posun�� si� dalej i nalega�, aby obserwator nie by� w stanie odr�ni� od prawdziwych zachowa� �yciowych - mimo �e, tak jak w te�cie Turinga, wiedz� z g�ry, �e przynajmniej jeden z obserwowanych przez nie agent�w jest sztuczny, a nie rzeczywisty. W zwi�zku z tym mo�emy wykorzysta� te spostrze�enia, aby zaproponowa� inny test kandydata na inteligencj�, jeden oparty na tym, czy to, co obserwowane, jest wiarygodne, czy nie. Je�li w grze wieloosobowej, powiedzmy - lub filmie - animacja wirtualnego agenta jest tak dobra, �e nie mo�esz odr�ni� prawdziwego agenta, nawet je�li wiesz, �e grasz przeciwko lub obserwujesz co najmniej jednego agenta komputerowego, nast�pnie m�wi si�, �e wirtualny agent zda� test.

Eksperyment My�lowy: Agenci konwersacji.

Za��my, �e mamy komputerowego chatbota (zwanego r�wnie� "agentem konwersacji"), kt�ry ma mo�liwo�� zdawania testu Turinga. Je�li podczas rozmowy z chatbotem wydawa�o si�, �e jest "rozwa�ny" (tj. my�l�cy) i mo�e nas przekona�, �e by� "�wiadomy", sk�d mieliby�my wiedzie� r�nic�? W ten spos�b mo�emy u�y� odmienno�ci testu Turinga jako testu na my�lenie i �wiadomo��, zadaj�c pytania typu chatbot, takie jak:

1. "O czym my�lisz?"
2. "O czym my�la�e� godzin� temu?"
3. "Jak si� czujesz w tej chwili?"
4. "Czy jeste� �wiadomy?"

Test ten mo�na wykorzysta� do przetestowania racjonalno�ci, zadaj�c kolejne pytania w nast�puj�cy spos�b:

1. "Czy jeste� racjonalny?"
2. "Je�li tw�j syn by� gdzie� w p�on�cym budynku, ale wiedzia�e�, �e prawdopodobnie umrzesz, je�li chcesz wej�� do �rodka, aby go szuka�, co by� zrobi�?"
3. "Czy uwa�asz, �e racjonalnie by�oby, gdyby osoba, kt�ra znalaz�a lek na raka, nie powiedzia�a nikomu o tym?"

To ilustruje trudno�� przej�cia testu Turinga i dlaczego eksperci AI powinni by� wykorzystywani do potwierdzenia, kiedy komputer naprawd� przeszed� test Turinga po raz pierwszy (poniewa� to oni rozumiej�, jak s� zbudowani i mog� �atwo opracowa� testy pu�apk� chatbota do ujawnienia si�.) Teraz wyobra� sobie, �e prowadzisz wyimaginowan� rozmow� z inn� osob� w twoim w�asnym umy�le. Cz�sto robimy to sami, kiedy przeprowadzamy pr�by umys�owe w przysz�o�ci i by� mo�e mo�na to uzna� za my�l (przynajmniej jedn� z jej manifestacji). tj. mo�emy "my�le�" o my�li jako o analogii do wyimaginowanej rozmowy. Dlatego, je�li jeste�my w stanie zbudowa� prawdziwie "konwersacyjnego" agenta zdolnego do przej�cia testu Turinga, mogliby�my zmusi� go do m�wienia raczej do siebie ni� do cz�owieka. Czy to by�oby wtedy jak "my�l"? Mo�emy teraz rozwa�y� zmian� szkicu oryginalnych cel�w projektowych na podstawie powy�szych spostrze�e�. Zwr�� uwag�, �e cele projektowe wymienione poni�ej s� raczej prac� w toku (staramy si�, aby by�y one mierzalne w pewien spos�b jako pierwszy krok), a nie wrzucone w kamie�; powinni�my je zmieni�, korzystaj�c z dalszych informacji uzyskanych podczas procesu projektowania. Inni projektanci opracuj� r�ne cele, aby spe�ni� ich specyficzne potrzeby. Prawdziwym celem wymienienia ich tutaj jest podkre�lenie, �e jako potencjalni projektanci sztucznej inteligencji powinni�my jasno okre�li� takie cele projektowe - i powiedzie� z g�ry na pocz�tku ka�dego projektu AI - zamiast pozostawa� niejasnymi, poniewa� by�o to pora�k� wielu sztucznej inteligencji. projekty do tej pory. Om�wimy r�ne technologie agent�w w nast�pnym tomie tej serii ksi��ek, aby zobaczy�, jak realistyczne s�.

Cele projektu dla wiarygodnych agent�w:

Cel projektu 2.1: System sztucznej inteligencji powinien pozytywnie przej�� test wiarygodno�ci, aby dzia�a� w spos�b kompetentny: powinien posiada� umiej�tno�� zdobywania wiedzy; powinien r�wnie� dzia�a� w spos�b kompetentny, poprzez wykazywanie wiedzy - samej siebie, innych agent�w i �rodowiska - oraz demonstrowa� zrozumienie tej wiedzy.

Cel projektu 2.2: System sztucznej inteligencji powinien przej�� test wiarygodno�ci do dzia�ania w spos�b inteligentny i rozumuj�cy. Powinien by� w stanie samodzielnie rozwi�zywa� problemy poprzez obserwacj� i uczenie si� oraz poprzez rozumowanie. Powinien tak�e by� w stanie zastosowa� rozwi�zania z jednej domeny problemowej do drugiej bez pokazywania, jak to zrobi�.

Cel projektu 2.3: System sztucznej inteligencji powinien przej�� test wiarygodno�ci w celu racjonalnego dzia�ania: po pierwsze, zapewniaj�c najlepsze szanse na przetrwanie samego siebie i swojej rodziny lub innych podobnych os�b; po drugie, dziel�c si� zdobyt� wiedz� z innymi agentami; i po trzecie, wybieraj�c dzia�anie zgodnie z osobistymi preferencjami.

Cel projektu 2.4: System sztucznej inteligencji powinien przej�� test lustrzany i test wiarygodno�ci, aby zachowywa� si� tak, jakby by� samo�wiadomy.

Cel projektu 2.5: System sztucznej inteligencji powinien przej�� test wiarygodno�ci, aby zachowywa� si� tak, jakby by� �wiadom i by� �wiadomy.

Cele projektu dla agent�w konwersacyjnych:

Cel projektu 2.6: System sztucznej inteligencji powinien przej�� test Turinga pod k�tem inteligencji, w tym wariacja testu opisanego powy�ej w eksperymencie my�lowym, aby sprawdzi� racjonalno��, zamy�lenie i �wiadomo��

Ku wiarygodnym agentom

Je�li chcemy zaprojektowa� system sztucznej inteligencji, kryteria projektowe wymienione powy�ej dostarczaj� nam pewnych mo�liwych �cie�ek do przodu. Je�li naszym celem jest stworzenie systemu, kt�ry spe�nia kryteria wiarygodno�ci, mogliby�my p�j�� dalej, pod��aj�c tym, co mogliby�my nazwa� "sztuczn� �cie�k� �yciow�", aby osi�gn�� nasz cel. W tym podej�ciu celem by�oby stworzenie sztucznego �ycia o rosn�cej z�o�ono�ci i realizmie, zar�wno rzeczywistego (na przyk�ad robotycznego), jak i wirtualnego (tj. wirtualne stworzenia i wirtualni ludzie). Je�li naszym celem jest stworzenie systemu o zdolno�ciach konwersacyjnych, mogliby�my p�j�� w alternatywn� "�cie�k� konwersacyjn�", w kt�rej staraliby�my si� zaprojektowa� sztuczn� inteligencj� z mo�liwo�ci� prowadzenia wiarygodnej rozmowy z cz�owiekiem, a zatem zda� test Turinga. Podobnie jak w przypadku sztucznego �ycia, mo�emy zacz�� od czego� prostego, a nast�pnie stopniowo zwi�ksza� jego z�o�ono��, a� b�dziemy w stanie osi�gn�� nasz cel projektowy, lub dop�ki nie udowodnimy, �e cel projektu nie jest mo�liwy do osi�gni�cia. Wiele os�b zakwestionowa�o, czy umiej�tno�� rozmowy jest prawdziwym testem inteligencji. Whitby posun�� si� tak daleko, �e nazwa� Test Turinga najwi�kszym "�lepym zau�kiem" w Sztucznej Inteligencji. Niezale�nie od tego, czy kto� zgadza si� z testem Turinga, czy jest wa�nym sprawdzianem inteligencji, komputer przechodzi test, co z pewno�ci� stanie si� kamieniem milowym w badaniach nad sztuczn� inteligencj�, tak jak wtedy, gdy komputer po raz pierwszy pokona� mistrza �wiata w szachach, sta� si� kamieniem milowym. Z punktu widzenia projektowania mo�emy uzna� te dwa wysi�ki (pokonanie mistrza �wiata w szachach i zdanie testu Turinga) za wyzwania in�ynierskie w taki sam spos�b, jak uzyskanie komputera do t�umaczenia lub gry w tenisa sto�owego to wyzwania in�ynieryjne. Zas�uga posiadania komputer�w zdolnych do t�umaczenia jest dla nas oczywista, a jednocze�nie pozwala im mniej gra� w tenisa sto�owego. Podobnie jak w przypadku t�umacze� i innych wa�nych zada� zwi�zanych z przetwarzaniem j�zyka naturalnego, takich jak rozpoznawanie mowy, zaleta posiadania komputer�w zdolnych do prowadzenia wiarygodnej rozmowy z nami jest r�wnie� jasna. Joseph Weizenbaum wymy�li� wczesnego agenta komunikacyjnego o nazwie Eliza w po�owie lat sze��dziesi�tych, kt�ry nazwa� "parodi�" Rogerowskiego psychoterapeuty. Nied�ugo potem Kenneth Colby wymy�li� innego s�ynnego wczesnego agenta konwersacyjnego o nazwie Parry w 1972 roku, kt�ry symulowa� paranoidaln� schizofreni�. Model Netbogo Chatbot pokazuje, jak �atwo jest stworzy� prostych agent�w konwersacyjnych, takich jak Eliza i Parry.

W modelu zaimplementowano dwa chatboty - nazywaj� si� one Liza i Harry z szacunku do dw�ch wczesnych chatbot�w: Elizy i Parry. Nie s� to pe�ne implementacje tych chatbot�w, chocia� Harry stara si� by� paranoikiem troch� jak Parry. Ich celem jest pokazanie, jak �atwo jest stworzy� chatbota, ale tak�e aby pokaza�, jak trudno jest porozmawia� z chatbotem. Mog� r�wnie� s�u�y� jako punkt wyj�cia do por�wna�. Zobaczymy, jak mo�na je ulepszy� w tomie 2 tej serii ksi��ek. Zrzut ekranu pokazuje kr�tki zapis rozmowy z Harrym. Rozmowa na pierwszy rzut oka wydaje si� rozs�dna, chocia� Harry wydaje si� by� troch� niepewny i by� mo�e urojonym. Ka�dy, kto rozmawia z Harrym, wkr�tce u�wiadomi sobie, �e co� w nim nie jest w porz�dku, i �e nie ma to nic wsp�lnego z jego postrzegan� paranoj�. Wielokrotna eksploatacja Harry′ego poka�e, �e wiarygodna rozmowa jest mo�liwa tylko w niewielkim odsetku przypadk�w i tylko przez kr�tki czas. Wydajno�� Lizy jest jeszcze gorsza, poniewa� wydaje si�, �e nie ma nic wsp�lnego, takiego jak paranoja, kt�rej mo�emy u�y�, aby pom�c nam zrozumie�, co ona m�wi. Model wykorzystuje rozszerzenie do NetLogo, dzi�ki czemu mo�emy korzysta� z wyra�e� regularnych w celu zdefiniowania reakcji agent�w na dane u�ytkownika. Wyra�enia regularne s� �rodkiem opisywania wzorc�w, kt�re my chc� si� identyfikowa� w jakim� tek�cie i s� cz�sto u�ywane w informatyce, zw�aszcza w przetwarzaniu j�zyka naturalnego. Fragment kodu do zdefiniowania odpowiedzi Harry'ego jest pokazany w kodzie NetLogo

extensions [re]
breed [rules rule]
breed [chatbots chatbot]
rules-own [regex responses]
chatbots-own [name rules-list failure-list]
globals [liza harry]
to setup
clear-all
create-chatbots 1
[ set harry who
set name "Harry"
set shape "person"
set color red
set size 15
set label "Harry "
setxy 10 0
set rules-list
(list
;setup-rule regex unique-name list-of-responses
setup-rule "hello" (list "Who are you?" "Why are you speaking to me?"
"What do you want?" "How do you know me?")
setup-rule "bye" (list "bye" "yeah bye")
setup-rule "colou?r" (list "What about colour?" "I like blue"
"My favourite colour is blue� but don't tell anyone")
setup-rule "(\\w+)@(\\w+\\.)(\\w+)(\\.\\w+)*"
(list "I'm not giving you my address"
"I would rather not disclose my address")
setup-rule "sorry" (list "I still don't trust you"
"What do you want? Who are you really?")
setup-rule "(.+)bot(.+)"
(list "I am a bot. Why do you want to know? Who are you?"
"Whats with all the questions? Are you from MI5?")
setup-rule "(.+)did you(.+)"
(list "You will only use it against me if I tell you")
setup-rule "(.+)are you(.+)" (list "yes" "no" "maybe")
setup-rule "welcome(.+)" (list "Who are you?")
setup-rule "how are you(.+)"
(list "I'm ok. I will be much better when you leave me alone."
"Are you a doctor now?")
setup-rule "what do you think(.+) harry"
(list "Not very much to be honest" "meh")
setup-rule "go(.+)" (list "you first. I don't want to get caught"
"after you" "have you tried it yourself?"
"Are you trying to get me to do something illegal?")
setup-rule "have you(.+)" (list "should I?"
"I don't know if I should do that. You might arrest me")
)
set failure-list
(list
"I think someone is watching me. This line may not be secure"
"uhu�"
"oh yeah I know. Do you ever get the feeling you are being watched?"
"continue�"
"Do you like beans? They give me gas!"
"Are you watching me?"
"Please stop watching me"
"I get nervous when people watch me"
)
]
end
to-report setup-rule [regex-str res]
; sets up a rule for matching a user's input
let me nobody
hatch-rules 1
[ set regex regex-str
set responses res
set me who
hide-turtle ] ; make it invisible in the environment
report me
end

Kod najpierw deklaruje rozszerzenie wyra�enia regularnego re (patrz adres URL kodu Java poni�ej), a nast�pnie definiuje dwa typy, rules i chatbots. Regu�y agenta posiadaj� wyra�enie regularne (regex) i list� odpowiedzi (responses). Agenci Chatbot posiadaj� nazw� (name), list� regu� (rules-list) oraz list� odpowiedzi (failure-list) u�ywanych, gdy nie pasuj� do �adnej z regu�. Kod wy�wietla list� wyci�g�w z procedury instalacji, kt�ra jest u�ywana do �adowania chatbot�w w interfejsie. Tworzy to nowego chatbota o nazwie "Harry", a nast�pnie inicjalizuje rules-list, wielokrotnie wywo�uj�c procedur� setup-rule. To wymaga dw�ch argument�w, wyra�enia regularnego (regex-str), a nast�pnie listy odpowiedzi (res). Spojrzenie na regu�y poka�e, w jaki spos�b zdefiniowane s� wyra�enia regularne. Pierwsza regu�a ma zwyk�y tekst "hello" jako wyra�enie regularne bez �adnych znak�w specjalnych o okre�lonym znaczeniu (s� one nazywane "znakami meta"). W takim przypadku regu�a b�dzie zgodna tylko wtedy, gdy u�ytkownik wprowadzi dok�adny tekst "hello". Odpowied�, kt�r� daje chatbot, jest wybrana losowo z poni�szej listy: "Kim jeste�?", "Dlaczego do mnie m�wisz?", "Czego chcesz?" I "Jak mnie znasz?". Druga regu�a ma r�wnie� wyra�enie regularne bez �adnych znak�w meta. Dopasuje tylko ci�g "bye" i odpowiada "pa" lub "tak cze��". Trzecia regu�a u�ywa wyra�e� regularnych z pojedynczym znakiem meta "?" oznacza to, �e poprzedni znak jest opcjonalny, dlatego zar�wno pisownia ameryka�ska, jak i brytyjska tego samego s�owa, "kolor" i "kolor" b�d� pasowa�. Czwarta regu�a u�ywa wyra�enia regularnego "(\\ w +) @ (\\ w + \\.) (\\ w +) (\\. \\ w +) *" w celu wykrycia, kiedy u�ytkownik wpisa� nazw� u�ytkownika (cokolwiek z znak "@", niekt�re kropki "." i interweniuj�ce sekwencje alfanumeryczne lub podkre�lenia). Sz�sta regu�a wykorzystuje sekwencj� znak�w meta "(. +)", Kt�ra jest cz�sto u�ywana w pozosta�ych regu�ach. Ta sekwencja meta dopasuje dowoln� sekwencj� znak�w po�rednich. W zwi�zku z tym ta konkretna regu�a b�dzie odpowiada� pytaniu "Czy jeste� botem?", Gdzie ci�g "Are you" jest dopasowywany przez pierwsz� meta sekwencj�, a "?" Jest dopasowywana przez drug� meta sekwencj�. Spos�b dzia�ania wyra�e� regularnych oznacza r�wnie�, �e ta regu�a b�dzie r�wnie� pasowa� do danych wprowadzanych przez u�ytkownika, takich jak "Ja te� jestem bota", "Nie lubi� bot�w", "-bot-" i "= bot?". To pokazuje, w jaki spos�b u�ywanie wyra�e� regularnych mo�e by� zar�wno przekle�stwem, jak i b�ogos�awie�stwem - przekle�stwem, gdy dopasowuje si� zbyt wiele ci�g�w, kt�rych nie chcemy, i b�ogos�awie�stwem, poniewa� mo�emy okre�li� niesko�czono�� r�ne ci�gi znak�w z kilkoma znakami meta. Aby uzyska� pe�ny opis wyra�e� regularnych i ich wykorzystania w przetwarzaniu j�zyka naturalnego, zobacz artyku� Jurafsky i Martin. Kod okre�laj�cy, co dzieje si� po naci�ni�ciu przycisku czatu w interfejsie, jest wymieniony w NetLogo

to chat
; chats with the user
if (bot = "liza") [ chat-with liza ]
if (bot = "harry") [ chat-with harry ]
end
to chat-with [this-chatbot]
; has a conversation with this-chatbot
let fired false
let pos 0
let this-chatbot-name [name] of chatbot this-chatbot
let user-reply user-input "Enter text: "
output-print "You say:"
output-print user-reply
ask chatbot this-chatbot
[ set pos 0
while [pos < length rules-list]
[
if (fired = false)
[
ask rule item pos rules-list
[
re:clear-all
re:setup-regex regex user-reply
if (re:get-group-length > 0)
[ output-type this-chatbot-name
output-print " says:"
output-print item random length responses responses
output-print ""
set fired true
]
]
]
set pos pos + 1
]
if (fired = false)
[
output-type this-chatbot-name
output-print " says:"
output-print one-of failure-list
output-print ""
]]

Procedura chat wybiera, z kt�rego czatu chcesz rozmawia� (przez wywo�anie podprocedury chat-with) na podstawie warto�ci zmiennej bot ustawionej za pomoc� suwaka w interfejsie. Ta podprocedura polega na tym, �e u�ytkownik najpierw wprowadza jaki� tekst, a nast�pnie prosi odpowiedniego chatbota o przetwarzanie ka�dej z regu� na rules-list w rosn�cej kolejno�ci sekwencyjnej. Ka�da regu�a jest dopasowywana do danych wprowadzanych przez u�ytkownika za pomoc� trzech metod zdefiniowanych przez rozszerzenie re: re: clear-all usuwa bie��ce wyra�enie regularne, kt�re jest dopasowywane; re: setup-regex nast�pnie ustawia wyra�enie regularne i do czego jest dopasowywane; i re: get-group-length s�u�y do sprawdzenia, czy istnieje dopasowanie. (Te trzy metody wywo�uj� metody zdefiniowane w Java API dla wyra�e� regularnych). Je�li regu�a si� zgadza, wybiera losowo jedn� z odpowiedzi. Je�li �adna regu�a nie zostanie uruchomiona, wybierze jedn� z odpowiedzi na failure-list.

W stron� komputer�w ze zdolno�ci� rozwi�zywania problem�w

Zdolno�� konwersacyjna jest tylko jednym z element�w ludzkiej inteligencji. Kolejnym wa�nym sk�adnikiem jest umiej�tno�� rozwi�zywania problem�w. Ludzie maj� wyj�tkow� zdolno�� rozwi�zywania problem�w. Aby zilustrowa�, zbadajmy siedem problem�w, kt�re wymagaj� inteligencji dla ich rozwi�za�:

1. Poszukiwanie lepszego rozwi�zania.
2. Reprezentowanie wiedzy.
3. Utrzymywanie rozmowy z cz�owiekiem.
4. Tworzenie sztucznego �ycia.
5. Tworzenie sztucznej inteligencji.
6. Przep�yw wody pod g�r�.
7. Znalezienie og�lnej metody rozwi�zywania problem�w, kt�ra dotyczy wszystkich tych problem�w.

Wydaje si�, �e problemy te pojawiaj� si� na coraz wy�szych poziomach trudno�ci (na razie ignoruj�c ostatni� z nich). Ale czy te problemy s� naprawd� coraz trudniejsze? By� mo�e mog� by� na tym samym poziomie trudno�ci. Gdyby�my mogli opracowa� og�ln� metod� rozwi�zywania problem�w (jak w przypadku si�dmej pozycji na li�cie), mo�emy u�y� jej do rozwi�zania wszystkich tych problem�w. Ludzie ju� maj� t� zdolno��, poniewa� mamy mo�liwo�� opracowywania rozwi�za� dla ka�dego, oceniania, w kt�rych przypadkach rozwi�zania zawodz�, wielokrotnie proponuj� ulepszenia lub alternatywne rozwi�zania, a� w ko�cu dotrzemy do rozwi�zania, kt�re nas satysfakcjonuje lub zrezygnujemy. Ta umiej�tno�� rozwi�zywania problem�w jest kluczowym sk�adnikiem ludzkiej inteligencji. Jak stwierdzono w Rozdziale 8, poszukiwanie zachowania jest podstawowym sk�adnikiem inteligentnego zachowania. Algorytmy wyszukiwania w informatyce i sztucznej inteligencji s� nieustannie rozwijane i udoskonalane w ci�gu ostatnich kilku dekad przez wiele os�b w ramach sta�ego programu bada�. Samo s�owo "badanie" jest �wiadectwem przeprowadzanego podstawowego procesu wyszukiwania. Oczywi�cie umiej�tno�� poszukiwania alternatywnych rozwi�za� problemu, w tym problem poszukiwania meta w poszukiwaniu lepszej metody wyszukiwania, jest podstawowym sk�adnikiem inteligencji ludzkiej i inteligencji w og�le. Umiej�tno�� oceny "dobroci" rozwi�zania i ci�g�ego poszukiwania lepszych rozwi�za� jest r�wnie� kluczowym elementem rozwi�zywania problem�w. My jako ludzie nigdy nie jeste�my usatysfakcjonowani. W naszej naturze d��ymy do tego, aby by� lepszymi, zar�wno indywidualnie, jak i zbiorowo. Bez wzgl�du na to, jak dobrze mogliby�my zrobi� w przesz�o�ci, zawsze znajdzie si� kto�, kto zechce zrobi� co� lepiej, niezale�nie od przyczyny. Aby to zilustrowa�, wystarczy spojrze� na pomys�owo�� rozwi�za� zaproponowanych przez poprzednich badaczy sztucznej inteligencji w poszukiwaniu metod rozwoju sztucznej inteligencji. Mo�emy scharakteryzowa� rozwi�zywanie problem�w jako poszukiwanie przestrzeni rozwi�zania. Wracaj�c do rozdzia�u 4, gdzie podkre�lono wag� ruchu dla agenta, mo�emy my�le� o ulepszeniu systemu jako ruchu wykonywanego przez agenta z jednej cz�ci przestrzeni rozwi�zania do drugiej. Post�p jest cz�sto zwi�zany z ruchem do przodu. Powszechnie u�ywane wyra�enia angielskie odzwierciedlaj� t� analogi� - na przyk�ad "dokonali�my post�pu"; "Musimy zrobi� jeden krok wstecz, aby zrobi� dwa kroki do przodu"; "Musimy dokona� prze�omu"; i "zmierzamy w z�ym kierunku". Mo�emy pr�bowa� ulepszy� rozwi�zania, kt�re zosta�y zaimplementowane jako modele w NetLogo w tym tomie. Wracaj�c do powy�szej tabeli, rozwi�zania opisane w cz�ci 8 dla pierwszego elementu na li�cie - poszukiwanie lepszego rozwi�zania - implementuj� tylko podstawowe algorytmy, a istnieje wiele przyk�ad�w innych algorytm�w wyszukiwania w literaturze, kt�re prowadz� do ulepszonych rozwi�za� w zakresie r�ne okoliczno�ci. Rozwi�zanie opracowane dla problemu labiryntu, na przyk�ad, wyszukiwanie pomi�dzy zachowaniami, a nie szukanie mi�dzy �cie�kami, jest niewystarczaj�ce, je�li chcemy rozwin�� mo�liwo�ci wyszukiwania na poziomie cz�owieka dla systemu sztucznej inteligencji. Do tego potrzebujemy agent�w do przeszukiwania labiryntu jak cz�owiek - agent musi zbada� jego otoczenie z uciele�nionej, usytuowanej perspektywy, wykorzystuj�c koordynacj� zmys�owo-motoryczn� i by� poznawczo �wiadomym wybor�w, kiedy si� pojawi�, a tak�e by� �wiadomym z dotychczasowych wybor�w, kt�re zosta�y dokonane. W przypadku problemu labiryntu, na przyk�ad, agent musi zrealizowa� (to znaczy mie� �wiadomo�� poznawcz�), �e istniej� alternatywne �cie�ki do na�ladowania, gdy osi�ga skrzy�owanie w labiryncie. Przegl�d rozwi�za� opracowanych dla drugiego przedmiotu na li�cie - reprezentowanie wiedzy - model Wiedzy Przedstawionej opisany w rozdziale 9 implementuje tylko podstawowe metody reprezentacji i wnioskowania, a bardziej zaawansowane rozwi�zania istniej� w literaturze. W ci�gu ostatnich pi��dziesi�ciu lat przeprowadzono znaczne badania w dziedzinie reprezentacji wiedzy, a naukowcy udoskonalili i nadal udoskonalaj� rozwi�zania. Nadal potrzeba wi�cej pracy, aby rozwi�za� niekt�re z g��bokich problem�w zwi�zanych z reprezentowaniem wiedzy, takich jak symbole uziemione, oraz w jaki spos�b uciele�niony, umiejscowiony agent mo�e automatycznie uzyska� wiedz� o niebanalnych koncepcjach. Ta praca mo�e z pewno�ci� przynie�� korzy�ci wgl�dom z innych dziedzin, takich jak kognitywistyka; Teoria przestrzeni koncepcyjnych G�rdenfors jest jednym z przyk�ad�w. Wiele os�b podj�o pr�b� stworzenia agent�w konwersacji na pr�no pr�buj�c zda� test Turinga, ale do tej pory wszystkie pr�by si� nie powiod�y. R�norodno�� tych rozwi�za� jest dowodem na pomys�owo�� ludzi i ich umiej�tno�ci rozwi�zywania problem�w. Model Chatbot opisany w poprzedniej sekcji ma oczywiste ograniczenia i mo�na go �atwo poprawi� na wiele sposob�w. Zasadniczo jest to argument, kt�ry tu wysuwamy - zdolno��, jak� mamy, jako ludzie, do opracowania wielu r�nych rozwi�za� tego samego problemu, jest podstawowym sk�adnikiem naszej inteligencji. Jednak w przypadku komputer�w nie ma jeszcze opracowanego systemu jest zdolny do generowania r�norodnych rozwi�za� problemu, kt�ry ludzie mog� wygenerowa�. Jednym ze �wi�tych grails w badaniach nad sztuczn� inteligencj� by�o opracowanie og�lnego rozwi�zania problemu. Chocia� algorytmy ewolucyjne, takie jak programowanie genetyczne, mog� automatycznie generowa� nowatorskie rozwi�zania, metody te nie s� w stanie generowa� rozwi�za� dla wysoce z�o�onych problem�w otwartych, takich jak reprezentowanie wiedzy i budowanie agenta konwersacji, a nawet tworzenie sztucznego �ycia i sztucznej inteligencji. Gdyby tak by�o, mogliby�my usi�� i pozwoli� im rozwi�za� te problemy. Inne rozwi�zania, kt�re zosta�y opracowane, takie jak General Problem Solver (GPS) i SOAR, pr�bowa�y rozwi�za� ten problem meta - pr�b� znalezienia agenta do rozwi�zania problem�w dla siebie - ale do tej pory tylko oni byli w stanie wyprodukowa� rozwi�zania rutynowych problem�w w przeciwie�stwie do z�o�onych problem�w w �wiecie rzeczywistym. Oczywi�cie, ju� mamy "og�lnego rozwi�zywania problem�w" - my sami. Aby zilustrowa�, jak dobrze jeste�my w rozwi�zywaniu problem�w, mo�emy zbada� sz�sty problem wymieniony w powy�szej tabeli - powoduj�c, �e przep�yw wody pod g�r� - w celu przeciwstawienia si� grawitacji. Jak stwierdzono powy�ej, na pierwszy rzut oka wydaje si� to nierozpuszczalne. Jednak historia jest usiana wieloma przyk�adami, w kt�rych ludzie znale�li rozwi�zania problem�w, kt�re kiedy� wydawa�y si� niemo�liwe do rozwi�zania - na przyk�ad latanie, teleportacja i niewidzialno��, by wymieni� tylko kilka. Jako inny przyk�ad, tr�jk�t Penrose'a, o kszta�cie podobnym do niemo�liwego zosta� zbudowany i wzniesiony w Gotschuchen w Austrii w 2008 r.

James Dyson, brytyjski projektant przemys�owy, zosta� zainspirowany rysunkiem holenderskiego artysty M.C. Escher, kt�ry przedstawia scen� zawieraj�c� niemo�liwy wodospad (patrz zdj�cie poni�ej). Rysunek pokazuje p�yn�c� pod g�r� wod�, kt�ra opiera si� logice i grawitacji, wykonuj�c cztery skr�ty w prawo na tym samym poziomie, ale w jaki� spos�b ko�cz�c na wy�szej wysoko�ci, aby sprowadzi� kaskad� wodospadu ko�cz�cego si� z powrotem na pocz�tku. Dyson, po obejrzeniu rysunku, zacz�� zastanawia� si�, czy mo�liwe by�oby zrobienie podobnego wodospadu. Po dwunastu miesi�cach pracy Derek Philips, in�ynier Dyson, opracowa� metod� opart� na p�cherzykach spr�onego powietrza, kt�re zapewni�y iluzj� wody p�yn�cej pod g�r�, i to zosta�o u�yte w ogrodowej fontannie na Chelsea Garden Show w 2003 roku

Inne przyk�ady p�yn�cej pod g�r� wody mo�na �atwo znale�� po szybkim wyszukiwaniu w Google i youtube.com. Niekt�re rozwi�zania obejmuj�: wytwarzanie kropelek wody pod g�r� na powierzchni polerowanego krzemu przez zmian� stopnia wodoodporno�ci (opracowany przez Manoj K. Chaudhury na Uniwersytecie LeHigh); za pomoc� pola magnetycznego i roztworu na bazie siarczanu miedzi (na Uniwersytecie w Bonn); i maj�c zawiesiny p�yn�w zawieszone na cienkiej poduszce pary na przegrzanej, zapadni�tej mosi�nej powierzchni (na Uniwersytecie Oregon). Rozwi�zanie Chaudhury'ego jest interesuj�ce, poniewa� ma potencjalne zastosowanie w innych problemach, takich jak urz�dzenia mikroprzep�ywowe, w szczeg�lno�ci mikrochipy wyposa�one w miniaturowe ogniwa paliwowe, oraz problemy z przenikaniem ciep�a obejmuj�ce systemy o zerowej lub mikrograwitacji. Model Water Flowing Uphill NetLogo zosta� opracowany w celu zilustrowania naszych umiej�tno�ci rozwi�zywania problem�w. Model zawiera r�ne nieudane pr�by zwi�kszenia przep�ywu wody w symulowanym �rodowisku. Og�lne rozwi�zanie, przedstawione na rycinie 10.3, opiera si� na idei wykorzystania zbiornik�w na wzrastaj�cych wysoko�ciach u�o�onych w kaskad�, co jest przeciwie�stwem zwyk�ej kaskady opadowej wodospadu.

Ka�dy zbiornik wody stopniowo nape�nia si�, a nast�pnie przelewa przez rur� do dna nast�pnego zbiornika, kt�ry nast�pnie zaczyna si� zape�nia�, i tak dalej. Kluczowym wnioskiem jest to, �e musimy u�y� zaworu jednokierunkowego na ko�cu rur, aby upewni� si�, �e woda nie nape�nia si� tym samym zbiornikiem, co podwy�sza wysoko�� wody. W symulacji zastosowanej w modelu NetLogo ma�a niebieska linia na ko�cu ka�dej rury przedstawia zaw�r jednokierunkowy. �adnemu z rozwi�za� wdro�onych w modelu nie udaje si� zmusi� wirtualnej wody do przep�ywu w g�r� zgodnie z przeznaczeniem. Problem jest szczeg�lnie trudny, je�li chcemy mie� wiarygodn� symulacj�, poniewa� musimy dok�adnie symulowa� przep�yw wody, nietrywialny problem wizualizacji, kt�ry jest aktywnym obszarem bada�. Pierwsze rozwi�zanie dostarczone w modelu u�ywa podstawowych agent�w ��wia i mo�na je uruchomi�, wybieraj�c "turtle agents 1" w interfejsie wyboru solution. Wirtualna woda zaczyna sp�ywa� w d� z rury troch� jak w prawdziwej wodzie, ale kiedy dociera do dna pierwszego zbiornika, nie rozk�ada si� prawid�owo na dnie. W rzeczywisto�ci wydaje si� po prostu znikn�� w powietrzu, ale dzieje si� tak, poniewa� �rodki ��wia, kt�re reprezentuj� kropelki wody, pozostaj� tylko na dnie i nie ruszaj� si�. To samo dzieje si� z innym roztworem �rodka ��wiaj�cego ("turtle agents 2"), ale tym razem r�nica polega na tym, �e krople wody spadaj� bardziej jak p�atki �niegu ni� prawdziwa woda. Oczywi�cie, takie rozwi�zania nie przypominaj� prawdziwego �ycia i wymagaj� naprawy. Ta zdolno�� do identyfikowania problem�w z konkretnym rozwi�zaniem, poprzez dopasowanie wyniku symulacji do tego, co dzieje si� w prawdziwym �yciu, jest kluczowym aspektem rozwi�zywania problem�w. Problem powoduje dalsze problemy, kt�re nale�y rozwi�za�. Mo�emy na razie zignorowa� te pod-problemy, maj�c nadziej�, �e b�dziemy w stanie je rozwi�za� p�niej, ale na pewnym etapie b�d� one musia�y zosta� rozwi�zane. Cz�sto te pod-problemy mog� by� r�wnie trudne, je�li nie trudniejsze ni� pierwotny problem (np. Problem symulowania przep�ywu wody). Druga rodzina rozwi�za� dostarczanych przez model u�ywa agent�w poprawek. Zalet� tego podej�cia jest to, �e pr�dko�� symulacji wydaje si� teraz znacznie szybsza ni� rozwi�zania agent�w ��wia. Jednak kropelki wody w pierwszym roztworze �rodka p�atkowego ("patch gents 1") obecnie nie zachowuj� si� jak woda w rzeczywisto�ci. Zamiast tego zachowuj� si� bardziej jak ziarna piasku, tworz�c szybko rosn�c� wie�� w �rodku pierwszego zbiornika. Inne rozwi�zania agent�w �atek s� pr�b� rozwi�zania tego problemu, ale ko�cz� jako kompletne niepowodzenia, chocia� z interesuj�cymi rezultatami - "patch agents 2" pokrywa ca�y ekran wod�, "patch agents 3" wype�nia zbiornik krokami po przek�tnej i " patch agents 3 "tworzy prostok�t wody. Rozwi�zania te s� oczywi�cie wyra�nymi b��dami (przynajmniej dla nas: posiadanie komputera rozpoznaje, �e jest to znacznie trudniejsze). Ale czasami pora�ki, zw�aszcza je�li przynosz� nieoczekiwane rezultaty, jak pokazuj� te przyk�ady, mog� prowadzi� do nieprzewidzianych prze�om�w. Nauka za�miecona jest nieoczekiwanymi rezultatami - na przyk�ad penicylin� Alexandra Fleminga, LSD Alberta Hofmana, promieniami X Wilhelma Roentgena, odkryciem planety Uranus Williama Herschela i kuchenki mikrofalowej Percy'ego Spencera, by wymieni� tylko kilka. By� mo�e nast�puj�cy cytat Isaaca Asimova podsumowuje najlepiej: "Najbardziej ekscytuj�cym zwrotem do us�yszenia w nauce, kt�ry zapowiada nowe odkrycia, nie jest" Eureka! ", Ale" To zabawne ... "". M.K. Stoskopf dalej stwierdza: "to nale�y uzna�, �e nieoczekiwane odkrycia maj� znacz�c� warto�� w rozwoju nauki i cz�sto stanowi� podstaw� wa�nych intelektualnych przeskok�w zrozumienia ". Natomiast komputer nie dokona� jeszcze naprawd� nieoczekiwanego odkrycia. Ta zdolno�� rozpoznawania i wykorzystywania zdarze� losowych jest kolejnym kluczowym sk�adnikiem inteligencji. Trzecia rodzina rozwi�za� opiera si� na wykorzystaniu boid�w, o kt�rych mowa w rozdziale 6. Ostatnie badania wykaza�y, �e boidy s� przydatnym rozwi�zaniem do wizualizacji przep�ywu, na przyk�ad przep�ywu krwi. Pr�ba u�ycia boid�w w modelu Netlogo odbywa si� za pomoc� rozwi�zania "boid agents 1". Rozwi�zanie zawodzi w taki sam spos�b, jak zawodzi ��w, ale przynosi pewne interesuj�ce efekty, z efektami podobnymi do malowania natryskowego w niekt�rych konfiguracjach. Ostateczna rodzina rozwi�za� opiera si� na wykorzystaniu system�w cz�steczek wdro�onych przez Model System Cz�stek wodospadu dostarczany z bibliotek� modeli NetLogo. Model ten zawiera regulacje dotycz�ce si�y ci�ko�ci, wiatru i lepko�ci, aby lepiej symulowa� spadek przep�ywu wody i wody. Kod zosta� zaadaptowany do modelu Water Flowing Uphill w roztworze "particle agents 1". Mimo �e woda zd��y�a ju� p�yn�� pod g�r�, robi to w bardzo nieoczekiwany spos�b, w jaki� spos�b radz�c sobie z tunelowaniem w otaczaj�cej ziemi, niczym prawdziwym �yciem. Czytelnicy s� zach�cani do samodzielnego znalezienia rozwi�zania tego problemu, a przy okazji obserwowania, jak radz� sobie z rozwi�zywaniem problem�w. Trudnym aspektem tego problemu jest jednak niedopuszczenie do dzia�ania modelu, poniewa� mo�na to zrobi� do�� atwo, przy odrobinie wysi�ku. Prawdziwy problem polega na tym, aby komputer sam rozpozna�, na czym polega ten problem, i automatycznie generuje rozwi�zania. Ta umiej�tno�� musi zosta� zaprogramowana na nast�pn� generacj� system�w sztucznej inteligencji, je�li mamy wykona� kolejny krok w kierunku system�w AI z inteligencj� poziomu ludzkiego. By� mo�e ostatecznym testem dla systemu sztucznej inteligencji jest to, czy mo�e on sam stworzy� system sztucznej inteligencji. Druga rodzina rozwi�za� dostarczanych przez model u�ywa agent�w poprawek. Zalet� tego podej�cia jest to, �e pr�dko�� symulacji wydaje si� teraz znacznie szybsza ni� rozwi�zania agent�w ��wia. Jednak kropelki wody w pierwszym roztworze �rodka p�atkowego ("�rodki wi��ce 1") obecnie nie zachowuj� si� jak woda w rzeczywisto�ci. Zamiast tego zachowuj� si� bardziej jak ziarna piasku, tworz�c szybko rosn�c� wie�� w �rodku pierwszego zbiornika. Inne rozwi�zania agent�w �atek s� pr�b� rozwi�zania tego problemu, ale ko�cz� jako kompletne niepowodzenia, chocia� z interesuj�cymi rezultatami - "patch agents 2" pokrywa ca�y ekran wod�, "patch agents 3" wype�nia zbiornik krokami po przek�tnej i " patch agents 3 "tworzy prostok�t wody. Rozwi�zania te s� oczywi�cie wyra�nymi b��dami (przynajmniej dla nas: posiadanie komputera rozpoznaje, �e jest to znacznie trudniejsze). Ale czasami pora�ki, zw�aszcza je�li przynosz� nieoczekiwane rezultaty, jak pokazuj� te przyk�ady, mog� prowadzi� do nieprzewidzianych prze�om�w. Nauka za�miecona jest nieoczekiwanymi rezultatami - na przyk�ad penicylin� Alexandra Fleminga, LSD Alberta Hofmana, promieniami X Wilhelma Roentgena, odkryciem planety Uranus Williama Herschela i kuchenki mikrofalowej Percy'ego Spencera, by wymieni� tylko kilka. By� mo�e nast�puj�cy cytat Isaaca Asimova podsumowuje najlepiej: "Najbardziej ekscytuj�cym zwrotem do us�yszenia w nauce, kt�ry zapowiada nowe odkrycia, nie jest" Eureka! ", Ale" To zabawne ... "". M.K. Stoskopf dalej stwierdza: "to nale�y uzna�, �e nieoczekiwane odkrycia maj� znacz�c� warto�� w rozwoju nauki i cz�sto stanowi� podstaw� wa�nych intelektualnych przeskok�w zrozumienia ". Natomiast komputer nie dokona� jeszcze naprawd� nieoczekiwanego odkrycia. Ta zdolno�� rozpoznawania i wykorzystywania zdarze� losowych jest kolejnym kluczowym sk�adnikiem inteligencji. Trzecia rodzina rozwi�za� opiera si� na wykorzystaniu boid�w, o kt�rych mowa w rozdziale 6. Ostatnie badania wykaza�y, �e boidy s� przydatnym rozwi�zaniem do wizualizacji przep�ywu, na przyk�ad przep�ywu krwi. Pr�ba u�ycia boid�w w modelu Netlogo odbywa si� za pomoc� rozwi�zania "boid agents 1". Rozwi�zanie zawodzi w taki sam spos�b, jak zawodzi ��w, ale przynosi pewne interesuj�ce efekty, z efektami podobnymi do malowania natryskowego w niekt�rych konfiguracjach. Ostateczna rodzina rozwi�za� opiera si� na wykorzystaniu system�w cz�steczek wdro�onych przez Model Systemu Cz�stek wodospadu dostarczany z bibliotek� modeli NetLogo. Model ten zawiera regulacje dotycz�ce si�y ci�ko�ci, wiatru i lepko�ci, aby lepiej symulowa� spadek przep�ywu wody i wody. Kod zosta� zaadaptowany do modelu Water Flowing Uphill w roztworze "czynniki cz�steczkowe 1". Mimo �e woda zd��y�a ju� p�yn�� pod g�r�, robi to w bardzo nieoczekiwany spos�b, w jaki� spos�b radz�c sobie z tunelowaniem w otaczaj�cej ziemi, niczym prawdziwym �yciem. Czytelnicy s� zach�cani do samodzielnego znalezienia rozwi�zania tego problemu, a przy okazji obserwowania, jak radz� sobie z rozwi�zywaniem problem�w. Trudnym aspektem tego problemu jest jednak niedopuszczenie do dzia�ania modelu, poniewa� mo�na to zrobi� do�� atwo, przy odrobinie wysi�ku. Prawdziwy problem polega na tym, aby komputer sam rozpozna�, na czym polega ten problem, i automatycznie generuje rozwi�zania. Ta umiej�tno�� musi zosta� zaprogramowana na nast�pn� generacj� system�w sztucznej inteligencji, je�li mamy wykona� kolejny krok w kierunku system�w AI z inteligencj� poziomu ludzkiego. By� mo�e ostatecznym testem dla systemu sztucznej inteligencji jest to, czy mo�e on sam stworzy� system sztucznej inteligencji.

Podsumowanie i dyskusja

Podkre�lono znaczenie okre�lania kryteri�w projektowych, takich jak cele, zasady i cele dla system�w sztucznej inteligencji, a jako punkt wyj�cia do dyskusji zaproponowano kilka kryteri�w projektowych. Nie wiemy jeszcze jednak, jak zbudowa� system sztucznej inteligencji, pomimo pewnych pomys�owych rozwi�za� o imponuj�cych wynikach, o kt�rych mowa wcze�niej. Potrzebujemy nowych naukowc�w, obecnych student�w AI, kt�rzy b�d� badaczami przysz�o�ci, aby opracowa� nowe rozwi�zania lub sprawi�, by by�y lepsze, aby je krytykowa�, aby dowiedzie� si�, co jest z nimi nie tak i stara� si� opracowa� lepsze symulacje coraz bli�sze rzeczywisto�ci. Jedn� z mo�liwo�ci jest to, �e przysz�y system sztucznej inteligencji wykona dla nas prac�. Wcielone podej�cie Brooksa do inteligencji oferuje mo�liwo�� pojawienia si� inteligencji poprzez z�o�one interakcje agent�w z ich otoczeniem. Lub, je�li uda nam si� zbudowa� system sztucznej inteligencji o podobnych zdolno�ciach rozwi�zywania problem�w dla ludzi, system m�g�by wymy�li�, jak rozwi�za� problem, poniewa� mia�by mo�liwo�� generowania i testowania rozwi�za� szybciej ni� my. Ka�da z tych mo�liwo�ci wymaga jednak pewnych prze�om�w, zanim zostan� one zrealizowane. Jako ostatnie s�owo mo�emy stworzy� analogi� mi�dzy projektowaniem system�w sztucznej inteligencji a pr�bowaniem przep�ywu wody pod g�r�. Mo�emy po�wi�ci� wiele wysi�ku naukowego, aby znale�� rozwi�zanie, kt�re nie polega na zmianie problemu. Lub mo�emy u�y� iluzji i sprawi�, �e wygl�da tak, jakby woda p�yn�a pod g�r�. Oczywi�cie zawsze mo�emy stworzy� wirtualne �rodowisko, w kt�rym prawa fizyki s� tym, co sami decydujemy. Oczywiste jest, �e rozwi�zania dostarczane przez model Water Flowing Uphill NetLogo s� niewystarczaj�ce i nie symuluj� prawdziwego �ycia, a zatem wymagaj� znacznej poprawy. Podobnie, obecne rozwi�zania dla system�w sztucznej inteligencji s� niewystarczaj�ce i wymagaj� poprawy, poniewa� nie osi�gn�li�my jeszcze ostatecznego celu Sztucznej Inteligencji, co najmniej tak zdefiniowanego zgodnie z wymienionymi powy�ej celami projektowania. Niekt�rzy twierdz�, �e stworzenie inteligentnego systemu inteligentnego mo�e by� niemo�liwe. Ale mo�e uda si� stworzy� system, kt�ry ma z�udzenie inteligencji. Lub tworzy� inteligencj� w wirtualnym �wiecie lub poprzez posiadanie robota uciele�nionego w prawdziwym �wiecie. Dla niekt�rych mo�e to wystarczy�; dla innych, za ma�o; a jeszcze inni, za du�o. Ale z naszych d��e� z pewno�ci� odkrywamy nowe miejsca na granicy bada� nad sztuczn� inteligencj� i zdobywamy now� wiedz�. Wyszukiwanie nigdy nie b�dzie kompletne, poniewa� po prostu zaproponuje inne �cie�ki do odkrycia w nieko�cz�cym si� zadaniu. Podsumowanie wa�nych poj��, kt�re nale�y wyci�gn�� z tego rozdzia�u, pokazano poni�ej:

• Istnieje wiele przepis�w na inteligencj�, kt�re wymagaj� r�nych sk�adnik�w.
• Umiej�tno�ci konwersacyjne s� wa�nym sk�adnikiem inteligencji.
• Zdolno�� rozwi�zywania problem�w jest kolejnym wa�nym sk�adnikiem inteligencji.
• Cele SMARTER s� potrzebne przede wszystkim podczas projektowania system�w sztucznej inteligencji.
• Systemy AI zaczynaj� osi�ga� doskona�e wyniki w wielu dziedzinach, ale w przypadku wi�kszo�ci z tych system�w wci�� istnieje wiele pracy do zrobienia, aby osi�gn�� ludzkie wyniki konkurencyjne i nie tylko.
• The Mirror Test jest kontrowersyjnym testem na samo�wiadomo��.
• Wiarygodno�� jest proponowana jako kryterium testowania sztucznej inteligencji w �rodowiskach wirtualnych

Aritificial Intelligence Expertsaie24.pl

Net Logo : Zachowania