Penalaran dalam Ketidakpastian
Penalaran dalam ketidakpastian adalah bagian dari kecerdasan buatan yang menggunakan probabilitas dan teori keputusan untuk menarik kesimpulan dan membuat keputusan ketika pengetahuan tidak lengkap, bising, atau hanya dapat diamati sebagian.
Definition
Penalaran dalam ketidakpastian merepresentasikan pengetahuan agen yang tidak lengkap sebagai distribusi probabilitas dan menghitung, melalui hukum probabilitas dan maksimisasi utilitas yang diharapkan, apa yang harus dipercaya dan bagaimana harus bertindak.
Scope
Area ini mencakup representasi pengetahuan yang tidak pasti dengan probabilitas dan metode untuk penalaran serta pengambilan keputusan di bawahnya: model grafis probabilistik seperti jaringan Bayesian, inferensi probabilistik eksak dan perkiraan, teori keputusan yang menggabungkan probabilitas dengan utilitas, dan pengambilan keputusan sekuensial melalui proses keputusan Markov. Ini membahas bagaimana tingkat kepercayaan diperbarui dengan bukti dan bagaimana pilihan rasional dihitung. Estimasi model-model ini yang didorong oleh data, dan pembelajaran penguatan (reinforcement learning) kebijakan, termasuk dalam subbidang pembelajaran mesin; area ini menekankan representasi serta prinsip inferensi dan keputusan.
Sub-topics
Core questions
- Bagaimana tingkat kepercayaan direpresentasikan dan diperbarui seiring dengan datangnya bukti baru?
- Bagaimana distribusi gabungan yang besar dapat direpresentasikan secara ringkas menggunakan independensi kondisional?
- Bagaimana probabilitas suatu kueri dihitung secara eksak atau perkiraan dalam model probabilistik?
- Bagaimana probabilitas digabungkan dengan preferensi untuk memilih tindakan yang memaksimalkan utilitas yang diharapkan?
Key concepts
- probabilitas sebagai tingkat kepercayaan
- aturan Bayes
- independensi kondisional
- jaringan Bayesian
- inferensi eksak dan perkiraan
- utilitas dan utilitas yang diharapkan
- teori keputusan
- proses keputusan Markov
Key theories
- Pembaruan Bayesian
- Aturan Bayes menentukan bagaimana tingkat kepercayaan sebelumnya direvisi menjadi posterior berdasarkan bukti, memberikan dasar normatif untuk penalaran probabilistik dan untuk menggabungkan pengetahuan latar belakang dengan observasi.
- Model grafis dan independensi kondisional
- Jaringan Bayesian dan Markov memanfaatkan independensi kondisional untuk memfaktorkan distribusi gabungan menjadi komponen lokal, membuat representasi dan inferensi dapat ditangani untuk masalah yang jika tidak akan sangat besar secara eksponensial.
- Utilitas maksimum yang diharapkan
- Teori keputusan menyatakan bahwa agen rasional harus memilih tindakan yang memaksimalkan utilitas yang diharapkan, menyatukan kepercayaan probabilistik dengan preferensi atas hasil dan meluas ke keputusan sekuensial melalui proses keputusan Markov.
Clinical relevance
Penalaran probabilistik mendasari sistem diagnosis medis, diagnosis kesalahan dan fusi sensor, pemrosesan ucapan dan bahasa, robotika dan lokalisasi, analisis risiko, serta sistem rekomendasi dan pendukung keputusan, di mana pun kesimpulan dan pilihan harus dibuat dari informasi yang tidak lengkap atau bising.
History
AI awal skeptis terhadap probabilitas, lebih menyukai faktor kepastian ad hoc, tetapi karya Pearl pada tahun 1980-an, yang berpuncak pada bukunya tahun 1988, menunjukkan bahwa jaringan Bayesian membuat penalaran probabilistik menjadi berdasar dan layak secara komputasi. Metode teori keputusan dan model grafis, yang dikonsolidasikan dalam teks-teks seperti Koller dan Friedman (2009), menjadi sentral bagi AI modern.
Debates
- Probabilitas vs. formalisme ketidakpastian alternatif
- Secara historis, AI memperdebatkan apakah akan memodelkan ketidakpastian dengan probabilitas atau dengan alternatif seperti faktor kepastian, logika fuzzy, atau fungsi kepercayaan Dempster-Shafer; pandangan probabilistik, teori keputusan menjadi dominan sebagian besar karena fondasinya yang kuat dan kelayakan yang diberikan oleh model grafis.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- Mengapa menggunakan probabilitas daripada logika untuk pengetahuan yang tidak pasti?
- Logika yang ketat memaksa pernyataan untuk menjadi benar atau salah, yang canggung ketika pengetahuan tidak lengkap atau bukti parsial. Probabilitas merepresentasikan tingkat kepercayaan yang bergradasi dan menyediakan aturan berprinsip, seperti aturan Bayes, untuk memperbaruinya dengan bukti, sehingga sangat cocok untuk penalaran dalam ketidakpastian.
- Apa yang membuat jaringan Bayesian penting untuk area ini?
- Distribusi gabungan penuh atas banyak variabel sangat besar, tetapi jaringan Bayesian menggunakan independensi kondisional untuk merepresentasikannya secara ringkas sebagai grafik dengan distribusi kondisional lokal. Ini membuat penyimpanan model dan penghitungan kueri probabilistik menjadi layak, itulah sebabnya mereka menjadi landasan penalaran dalam ketidakpastian.