الاستدلال في ظل عدم اليقين
الاستدلال في ظل عدم اليقين هو جزء من الذكاء الاصطناعي يستخدم الاحتمالات ونظرية القرار لاستخلاص الاستنتاجات واتخاذ القرارات عندما تكون المعرفة غير مكتملة، أو مشوشة، أو قابلة للملاحظة جزئيًا فقط.
Definition
يمثل الاستدلال في ظل عدم اليقين المعرفة غير المكتملة للوكيل كتوزيعات احتمالية ويحسب، عبر قوانين الاحتمالات وتعظيم المنفعة المتوقعة، ما يجب تصديقه وكيفية التصرف.
Scope
يغطي هذا المجال تمثيل المعرفة غير المؤكدة بالاحتمالات وطرق الاستدلال واتخاذ القرار في ظلها: النماذج الرسومية الاحتمالية مثل الشبكات البايزية، والاستدلال الاحتمالي الدقيق والتقريبي، ونظرية القرار التي تجمع الاحتمالات مع المنفعة، واتخاذ القرار المتسلسل عبر عمليات ماركوف للقرار. ويتناول كيفية تحديث درجات الاعتقاد بالأدلة وكيفية حساب الخيارات العقلانية. ينتمي التقدير القائم على البيانات لهذه النماذج، والتعلم المعزز للسياسات، إلى المجال الفرعي للتعلم الآلي؛ ويركز هذا المجال على التمثيلات ومبادئ الاستدلال والقرار.
Sub-topics
Core questions
- كيف يتم تمثيل درجات الاعتقاد وتحديثها مع وصول أدلة جديدة؟
- كيف يمكن تمثيل التوزيعات المشتركة الكبيرة بشكل مضغوط باستخدام الاستقلال الشرطي؟
- كيف يتم حساب احتمال استعلام ما بدقة أو تقريبًا في نموذج احتمالي؟
- كيف يتم دمج الاحتمالات مع التفضيلات لاختيار الإجراءات التي تزيد المنفعة المتوقعة إلى أقصى حد؟
Key concepts
- الاحتمال كدرجة اعتقاد
- قاعدة بايز
- الاستقلال الشرطي
- الشبكات البايزية
- الاستدلال الدقيق والتقريبي
- المنفعة والمنفعة المتوقعة
- نظرية القرار
- عمليات ماركوف للقرار
Key theories
- التحديث البايزي
- تصف قاعدة بايز كيف يتم مراجعة درجة الاعتقاد المسبقة إلى درجة لاحقة بناءً على الأدلة، مما يوفر الأساس المعياري للاستدلال الاحتمالي وللجمع بين المعرفة الخلفية والملاحظات.
- النماذج الرسومية والاستقلال الشرطي
- تستغل الشبكات البايزية وشبكات ماركوف الاستقلال الشرطي لتحليل التوزيع المشترك إلى مكونات محلية، مما يجعل كلاً من التمثيل والاستدلال ممكنين للمشكلات التي قد تكون كبيرة بشكل هائل بخلاف ذلك.
- المنفعة القصوى المتوقعة
- تنص نظرية القرار على أن الوكيل العقلاني يجب أن يختار الإجراء الذي يزيد المنفعة المتوقعة إلى أقصى حد، موحدًا الاعتقاد الاحتمالي مع التفضيلات على النتائج ويمتد إلى القرارات المتسلسلة من خلال عمليات ماركوف للقرار.
Clinical relevance
يرتكز الاستدلال الاحتمالي على أنظمة التشخيص الطبي، وتشخيص الأعطال ودمج المستشعرات، ومعالجة الكلام واللغة، والروبوتات وتحديد المواقع، وتحليل المخاطر، وأنظمة التوصية ودعم القرار، أينما يجب اتخاذ الاستنتاجات والخيارات من معلومات غير مكتملة أو مشوشة.
History
كان الذكاء الاصطناعي المبكر متشككًا في الاحتمالات، مفضلاً عوامل اليقين المخصصة، لكن عمل بيرل في الثمانينيات، والذي توج بكتابه عام 1988، أظهر أن الشبكات البايزية جعلت الاستدلال الاحتمالي راسخًا وقابلاً للحساب. أصبحت طرق نظرية القرار والنماذج الرسومية، الموحدة في نصوص مثل كولر وفريدمان (2009)، محورية في الذكاء الاصطناعي الحديث.
Debates
- الاحتمال مقابل صيغ عدم اليقين البديلة
- تاريخيًا، ناقش الذكاء الاصطناعي ما إذا كان يجب نمذجة عدم اليقين بالاحتمالات أو ببدائل مثل عوامل اليقين، أو المنطق الضبابي، أو دوال الاعتقاد لديمبستر-شيفر؛ وأصبح المنظور الاحتمالي القائم على نظرية القرار هو السائد إلى حد كبير بسبب أسسه السليمة وقابلية المعالجة التي توفرها النماذج الرسومية.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- لماذا نستخدم الاحتمالات بدلاً من المنطق للمعرفة غير المؤكدة؟
- المنطق الصارم يجبر العبارات على أن تكون صحيحة أو خاطئة، وهو أمر غير ملائم عندما تكون المعرفة غير مكتملة أو الأدلة جزئية. تمثل الاحتمالات درجات متدرجة من الاعتقاد وتوفر قواعد مبدئية، مثل قاعدة بايز، لتحديثها بالأدلة، مما يجعلها مناسبة تمامًا للاستدلال في ظل عدم اليقين.
- ما الذي يجعل الشبكات البايزية مهمة لهذا المجال؟
- التوزيع المشترك الكامل على العديد من المتغيرات يكون كبيرًا بشكل فلكي، لكن الشبكات البايزية تستخدم الاستقلال الشرطي لتمثيله بشكل مضغوط كرسوم بيانية ذات توزيعات شرطية محلية. وهذا يجعل تخزين النموذج وحساب الاستعلامات الاحتمالية ممكنين، وهذا هو السبب في أنها حجر الزاوية في الاستدلال في ظل عدم اليقين.