Анализ средств и целей
Анализ средств и целей — это техника решения задач, широко используемая в области искусственного интеллекта (ИИ) для ограничения пространства поиска в программах на базе ИИ[1].
Кроме того, этот подход применяется как минимум с 1950-х годов в качестве инструмента для стимулирования креативности, о чём чаще всего сообщается в инженерной литературе, посвящённой методам проектирования. Анализ также связан с методом цепочек «средства — цель», который весьма распространён в анализе поведения потребителей[2]. Кроме того, метод позволяет структурировать мысли и идеи при построении математического доказательства.
Решение задач как процесс поиска
Важным аспектом интеллектуального поведения, изучаемого в ИИ, является решение задач, ориентированных на достижение целей: в этой парадигме решение задачи описывается как поиск последовательности действий, ведущих к нужному результату. Предполагается, что система поиска целей взаимодействует с окружающей средой через сенсорные каналы (для получения информации) и моторные каналы (для воздействия на среду). (Термин «аферентный» используется для обозначения входящих сенсорных потоков, «эферентный» — для исходящих управляющих воздействий.) Кроме того, система должна обладать средствами для хранения в памяти информации о состоянии среды (аферентные данные) и своих действиях (эферентные данные). Способность достигать целей зависит от построения простых или сложных ассоциаций между конкретными изменениями состояния и действиями, которые вызывают эти изменения. Таким образом, поиск — это процесс обнаружения и конструирования последовательностей действий, переводящих систему из текущего состояния в желаемое. Хотя такая стратегия может быть эффективна для автоматического обучения и решения задач, она не всегда приемлема для человека (например, с точки зрения теории когнитивной нагрузки и связанных с ней ограничений).
Принцип работы анализа средств и целей
Метод анализа средств и целей представляет собой стратегию управления поиском при решении задач. Для заданного текущего состояния и состояния-цели выбирается действие, уменьшающее различие между ними. Это действие выполняется, чтобы получить новое состояние, после чего процедура рекурсивно применяется к новому состоянию и изначальной цели.
Для эффективности система поиска целей должна обладать средствами связывать любые обнаруживаемые различия с соответствующими действиями для их уменьшения, а также средствами отслеживания своего прогресса (изменения различий между текущим и желаемым состояниями). Это необходимо, поскольку некоторые последовательности действий могут оказаться неудачными, и требуется возможность пробовать альтернативные варианты.
Если имеется информация о важности различий, в первую очередь выбирается наиболее значимое из них, что позволяет повысить среднюю эффективность анализа по сравнению с другими методами перебора. Тем не менее, даже без такой сортировки, данная техника часто превосходит прочие эвристические стратегии поиска (также в среднем), фокусируя решение задачи на реальных расхождениях между текущим и целевым состояниями.
Системы искусственного интеллекта
Техника анализа впервые была применена как стратегия решения задач в 1961 году исследователями Алленом Ньюэллом и Гербертом А. Саймоном в их компьютерной программе General Problem Solver (GPS)[3][4]. В этой реализации соответствие между различиями и действиями (операторами) задавалось априори как часть знаний системы (в GPS это была таблица связей).
Если структура действий и побочных эффектов применения оператора прозрачно определена, система может выбирать релевантные операторы путём их анализа, не прибегая к таблице связей. Такой вариант реализован в системе STRIPS, одной из ранних программ для автоматизированного планирования, где возможно связывание различий, независимых от конкретной задачи, с операторами, способными их устранить.
Prodigy — ещё одна система, использующая MEA, созданная в рамках крупного проекта по обучаемому автоматизированному планированию в Университете Карнеги — Меллона под руководством Хайме Карбонелла, Стивена Минтона и Крейга Ноблока.
Профессор Мортен Линд из Технического университета Дании разработал инструмент, известный как многоуровневое моделирование потоков (MFM), применяемый для диагностических рассуждений в промышленной автоматизации и управлении.