Raciocínio sob Incerteza
O raciocínio sob incerteza é a parte da inteligência artificial que utiliza a probabilidade e a teoria da decisão para tirar conclusões e tomar decisões quando o conhecimento é incompleto, ruidoso ou apenas parcialmente observável.
Definition
O raciocínio sob incerteza representa o conhecimento incompleto de um agente como distribuições de probabilidade e calcula, através das leis da probabilidade e da maximização da utilidade esperada, no que acreditar e como agir.
Scope
Esta área abrange a representação do conhecimento incerto com probabilidade e os métodos para raciocinar e decidir sob ela: modelos gráficos probabilísticos, como redes Bayesianas, inferência probabilística exata e aproximada, teoria da decisão combinando probabilidades com utilidades, e tomada de decisão sequencial via processos de decisão de Markov. Trata de como os graus de crença são atualizados com evidências e como as escolhas racionais são calculadas. A estimação desses modelos baseada em dados e a aprendizagem por reforço de políticas pertencem ao subcampo da aprendizagem de máquina; esta área enfatiza as representações e os princípios de inferência e decisão.
Sub-topics
Core questions
- Como os graus de crença são representados e atualizados à medida que novas evidências chegam?
- Como grandes distribuições conjuntas podem ser representadas de forma compacta usando independência condicional?
- Como a probabilidade de uma consulta é calculada de forma exata ou aproximada em um modelo probabilístico?
- Como as probabilidades são combinadas com as preferências para escolher ações que maximizem a utilidade esperada?
Key concepts
- probabilidade como grau de crença
- regra de Bayes
- independência condicional
- redes Bayesianas
- inferência exata e aproximada
- utilidade e utilidade esperada
- teoria da decisão
- processos de decisão de Markov
Key theories
- Atualização Bayesiana
- A regra de Bayes prescreve como um grau de crença a priori é revisado para um a posteriori dada a evidência, fornecendo a base normativa para o raciocínio probabilístico e para combinar o conhecimento prévio com as observações.
- Modelos gráficos e independência condicional
- As redes Bayesianas e de Markov exploram a independência condicional para fatorar uma distribuição conjunta em componentes locais, tornando a representação e a inferência tratáveis para problemas que, de outra forma, seriam exponencialmente grandes.
- Máxima utilidade esperada
- A teoria da decisão sustenta que um agente racional deve escolher a ação que maximiza a utilidade esperada, unificando a crença probabilística com as preferências sobre os resultados e estendendo-se a decisões sequenciais através de processos de decisão de Markov.
Clinical relevance
O raciocínio probabilístico sustenta sistemas de diagnóstico médico, diagnóstico de falhas e fusão de sensores, processamento de fala e linguagem, robótica e localização, análise de risco e sistemas de recomendação e suporte à decisão, onde quer que conclusões e escolhas devam ser feitas a partir de informações incompletas ou ruidosas.
History
A IA inicial era cética em relação à probabilidade, favorecendo fatores de certeza ad hoc, mas o trabalho de Pearl na década de 1980, culminando em seu livro de 1988, mostrou que as redes Bayesianas tornaram o raciocínio probabilístico bem fundamentado e computacionalmente viável. Os métodos de teoria da decisão e de modelos gráficos, consolidados em textos como Koller e Friedman (2009), tornaram-se centrais para a IA moderna.
Debates
- Probabilidade vs. formalismos alternativos de incerteza
- Historicamente, a IA debateu se deveria modelar a incerteza com probabilidade ou com alternativas como fatores de certeza, lógica fuzzy ou funções de crença de Dempster-Shafer; a visão probabilística e da teoria da decisão tornou-se dominante em grande parte devido aos seus fundamentos sólidos e à tratabilidade proporcionada pelos modelos gráficos.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- Por que usar probabilidade em vez de lógica para conhecimento incerto?
- A lógica estrita força as afirmações a serem verdadeiras ou falsas, o que é inconveniente quando o conhecimento é incompleto ou a evidência é parcial. A probabilidade representa graus graduados de crença e fornece regras baseadas em princípios, como a regra de Bayes, para atualizá-los com evidências, tornando-a bem adequada para o raciocínio sob incerteza.
- O que torna as redes Bayesianas importantes para esta área?
- Uma distribuição conjunta completa sobre muitas variáveis é astronomicamente grande, mas as redes Bayesianas usam a independência condicional para representá-la compactamente como um grafo com distribuições condicionais locais. Isso torna tanto o armazenamento do modelo quanto o cálculo de consultas probabilísticas viáveis, razão pela qual são um pilar do raciocínio sob incerteza.