Belirsizlik Altında Akıl Yürütme
Belirsizlik altında akıl yürütme, yapay zekanın bilginin eksik, gürültülü veya yalnızca kısmen gözlemlenebilir olduğu durumlarda sonuçlar çıkarmak ve kararlar almak için olasılık ve karar kuramını kullanan bir alanıdır.
Tanım
Belirsizlik altında akıl yürütme, bir ajanın eksik bilgisini olasılık dağılımları olarak temsil etmekte ve olasılık yasaları ile beklenen faydanın maksimizasyonu aracılığıyla neye inanılacağını ve nasıl hareket edileceğini hesaplamaktadır.
Kapsam
Bu kapsam, belirsiz bilginin olasılıkla temsilini ve bu bilgi altında akıl yürütme ve karar verme yöntemlerini içermektedir: Bayes ağları gibi olasılıksal grafik modeller, kesin ve yaklaşık olasılıksal çıkarım, olasılıkları faydalarla birleştiren karar kuramı ve Markov karar süreçleri aracılığıyla sıralı karar verme. İnanç derecelerinin kanıtlarla nasıl güncellendiğini ve rasyonel seçimlerin nasıl hesaplandığını ele almaktadır. Bu modellerin veriye dayalı tahmini ve politikaların pekiştirmeli öğrenimi, makine öğrenimi alt alanına aittir; bu alan, temsil ve çıkarım ile karar ilkelerini vurgulamaktadır.
Alt konular
Temel sorular
- Yeni kanıtlar geldikçe inanç dereceleri nasıl temsil edilmekte ve güncellenmektedir?
- Büyük ortak dağılımlar koşullu bağımsızlık kullanılarak nasıl kompakt bir şekilde temsil edilebilmektedir?
- Bir sorgunun olasılığı, olasılıksal bir modelde kesin veya yaklaşık olarak nasıl hesaplanmaktadır?
- Beklenen faydayı maksimize eden eylemleri seçmek için olasılıklar tercihlerle nasıl birleştirilmektedir?
Anahtar kavramlar
- inanç derecesi olarak olasılık
- Bayes kuralı
- koşullu bağımsızlık
- Bayes ağları
- kesin ve yaklaşık çıkarım
- fayda ve beklenen fayda
- karar kuramı
- Markov karar süreçleri
Temel kuramlar
- Bayesçi güncelleme
- Bayes kuralı, önsel bir inanç derecesinin kanıtlar verildiğinde sonsal bir dereceye nasıl revize edileceğini belirlemekte, olasılıksal akıl yürütme ve arka plan bilgisini gözlemlerle birleştirme için normatif bir temel sağlamaktadır.
- Grafik modeller ve koşullu bağımsızlık
- Bayes ve Markov ağları, ortak bir dağılımı yerel bileşenlere ayırmak için koşullu bağımsızlığı kullanmakta, bu sayede aksi takdirde üstel olarak büyük olacak problemler için hem temsil hem de çıkarımı yönetilebilir kılmaktadır.
- Maksimum beklenen fayda
- Karar kuramı, rasyonel bir ajanın beklenen faydayı maksimize eden eylemi seçmesi gerektiğini savunmakta, olasılıksal inancı sonuçlar üzerindeki tercihlerle birleştirmekte ve Markov karar süreçleri aracılığıyla sıralı kararlara genişletmektedir.
Klinik önem
Olasılıksal akıl yürütme, eksik veya gürültülü bilgilerden sonuçlar ve seçimler yapılması gereken her yerde, tıbbi tanı sistemleri, hata teşhisi ve sensör füzyonu, konuşma ve dil işleme, robotik ve lokalizasyon, risk analizi ile öneri ve karar destek sistemlerinin temelini oluşturmaktadır.
Tarihçe
Yapay zekanın ilk dönemleri olasılığa şüpheyle yaklaşmış, ad hoc kesinlik faktörlerini tercih etmiştir; ancak Pearl'ün 1980'lerdeki çalışmaları, 1988 tarihli kitabıyla doruk noktasına ulaşarak, Bayes ağlarının olasılıksal akıl yürütmeyi hem sağlam temelli hem de hesaplama açısından uygulanabilir kıldığını göstermiştir. Koller ve Friedman (2009) gibi metinlerde pekiştirilen karar kuramsal ve grafik model yöntemleri, modern yapay zekanın merkezi bir parçası haline gelmiştir.
Tartışmalar
- Olasılık ve alternatif belirsizlik formalizmleri
- Tarihsel olarak, yapay zeka belirsizliği olasılıkla mı yoksa kesinlik faktörleri, bulanık mantık veya Dempster-Shafer inanç fonksiyonları gibi alternatiflerle mi modelleyeceğini tartışmıştır; olasılıksal, karar kuramsal görüş, büyük ölçüde sağlam temelleri ve grafik modellerin sağladığı yönetilebilirlik nedeniyle baskın hale gelmiştir.
Öne çıkan isimler
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
İlgili konular
Temel eserler
- pearl1986
- pearl1988
- koller2009
Sıkça sorulan sorular
- Belirsiz bilgi için neden mantık yerine olasılık kullanılmaktadır?
- Katı mantık, ifadelerin doğru ya da yanlış olmasını zorunlu kılmaktadır ki bu, bilgi eksik veya kanıtlar kısmi olduğunda sorun yaratmaktadır. Olasılık, dereceli inanç seviyelerini temsil etmekte ve Bayes kuralı gibi, bunları kanıtlarla güncellemek için ilkeli kurallar sağlamakta, bu da onu belirsizlik altında akıl yürütme için oldukça uygun kılmaktadır.
- Bayes ağlarını bu alan için önemli kılan nedir?
- Birçok değişken üzerindeki tam ortak dağılım astronomik derecede büyüktür, ancak Bayes ağları, yerel koşullu dağılımlara sahip bir grafik olarak kompakt bir şekilde temsil etmek için koşullu bağımsızlığı kullanmaktadır. Bu durum, hem modeli depolamayı hem de olasılıksal sorguları hesaplamayı mümkün kılmakta, bu nedenle belirsizlik altında akıl yürütmenin temel taşlarından biri haline gelmektedir.