¿Cuál es la base de la inteligencia artificial?
La inteligencia artificial es una disciplina que estudia cómo permitir que los ordenadores simulen ciertos procesos de pensamiento humano y comportamientos inteligentes. ¿Cuál es la base de la inteligencia artificial?
Los principales contenidos de investigación de la disciplina de inteligencia artificial incluyen visualización de conocimiento, métodos de recuperación y razonamiento automático, aprendizaje automático y adquisición de conocimiento, sistemas de procesamiento de conocimiento, comprensión del lenguaje natural, visión por computadora, robots inteligentes y programación automática.
La anotación de conocimiento es una de las cuestiones básicas de la inteligencia artificial, y los métodos de razonamiento y recuperación están estrechamente relacionados con ella. Los métodos de visualización de conocimientos más utilizados incluyen el método de visualización lógica, el método de visualización de producción, el método de visualización de red semántica, el método de visualización de cuadros, etc.
Por supuesto, el razonamiento de sentido común también ha recibido atención y la gente ha propuesto varios métodos, como el razonamiento monótono y el razonamiento cualitativo.
El razonamiento automático en la resolución de problemas es un proceso de utilización del conocimiento. Hay muchas formas de representar el conocimiento y existen muchos métodos de razonamiento correspondientes. El proceso de razonamiento generalmente se divide en razonamiento deductivo y razonamiento no deductivo. La llamada lógica semántica es la base del razonamiento deductivo. Desde un punto de vista estructural, el razonamiento del desempeño hereditario es un razonamiento no deductivo. Debido a las necesidades del procesamiento del conocimiento, en los últimos años se han propuesto diversos métodos de razonamiento no deductivo, como el razonamiento por mecanismos de conexión, el razonamiento analógico, el razonamiento basado en ejemplos, el razonamiento inverso y el razonamiento limitado.
La recuperación es un método de resolución de problemas de inteligencia artificial. La estrategia de recuperación determina la relación de prioridad del uso del conocimiento en los pasos de razonamiento de la resolución de problemas. La recuperación se divide en recuperación ciega bajo la guía de ninguna información y recuperación heurística bajo la guía del conocimiento empírico. El conocimiento heurístico suele estar representado por funciones heurísticas. Cuanto más utilizado sea el conocimiento heurístico, menor será el espacio de búsqueda para resolver problemas. Los métodos de búsqueda heurística típicos incluyen algoritmos A*, AO*, etc. En los últimos años, la investigación sobre métodos de búsqueda ha comenzado a centrarse en problemas de búsqueda a gran escala con millones de nodos.
El aprendizaje automático es otro tema importante de la inteligencia artificial. El aprendizaje automático se refiere al proceso de adquirir nuevos conocimientos en un cierto sentido de expresión del conocimiento. Según diferentes mecanismos de aprendizaje, incluye principalmente aprendizaje resumido, aprendizaje analítico, aprendizaje de mecanismos de conexión y aprendizaje genético.
El sistema de procesamiento de conocimientos consta principalmente de un inventario de conocimientos y un motor de razonamiento. El sistema de inventario de conocimientos requiere una gran cantidad de conocimientos y tiene una variedad de métodos de expresión. Es importante para la organización y gestión razonable del conocimiento. Los motores de inferencia utilizan métodos y estrategias básicos de conocimiento al resolver problemas. Durante el proceso de razonamiento, se debe establecer una base de datos o mecanismo de pizarra para registrar y comunicar los resultados. Si la base de conocimientos almacena conocimientos profesionales en un determinado campo (como el diagnóstico médico), dicho sistema de conocimientos se denomina sistema profesional. Para satisfacer las necesidades de resolver problemas complejos, un único sistema experto se convertirá en un sistema de inteligencia artificial distribuida de múltiples agentes. En este momento, el intercambio de conocimientos, la cooperación entre sujetos y la aparición y manejo de conflictos son temas de investigación importantes. .
Fundamentos matemáticos necesarios: matemáticas avanzadas, álgebra lineal, teoría de probabilidades, estadística matemática y procesos estocásticos, matemáticas de dispersión y análisis numérico.
Se requiere acumulación de algoritmos: redes neuronales artificiales, máquinas vectoriales, algoritmos genéticos y otros algoritmos y, por supuesto, algoritmos necesarios en diversos campos. Por ejemplo, es necesario estudiar la navegación y el mapa del propio robot en el entorno de posicionamiento, y el algoritmo SLAM también necesita una acumulación a largo plazo.
Al menos es necesario dominar el lenguaje de programación. La implementación del algoritmo resultante requiere una programación profunda del hardware, y los cursos básicos de electricidad son esenciales.