7. fejezet - Logikai ágensek

Ebben a fejezetben olyan ágenseket tervezünk, amelyek képesek reprezentációkat kialakítani a világról, következtetési folyamatot alkalmaznak a világ új reprezentációjának a származtatására, és felhasználják az új reprezentációt a teendők kikövetkeztetésére.

Ez a fejezet tudásbázisú ágenseket mutat be. A fogalmak, amelyeket itt tárgyalunk – a tudás reprezentációja és a tudás alkalmazását lehetővé tevő következtetési folyamatok – központi témái a mesterséges intelligencia minden területének.

Az emberek, úgy tűnik, ismernek a világról számos dolgot, és következtetéseket végeznek. A tudás és a következtetés fontos a mesterséges ágenseknek is, mert sikeres viselkedést tesz lehetővé, amelyet nagyon nehéz volna másképpen elérni. Láthattuk, hogy a problémamegoldó ágens számára cselekvéseinek ismerete lehetővé teszi, hogy komplex környezetekben jól teljesítsen. A reflexív ágens csak a vakszerencse segítségével tudta megtalálni az utat Aradról Bukarestbe. A problémamegoldó ágens tudása azonban igen specifikus és rugalmatlan. Egy sakkprogram ki tudja számítani egy király helyes lépéseit, de nincsen semmilyen értelmezhető ismerete arról, hogy egy figura egyidejűleg nem lehet két különböző mezőn. A tudásbázisú ágens képes kihasználni a nagyon általános formában leírt tudást, újra és újra összegyűjtve ennek elemeit úgy, hogy az számos célra megfelelő legyen. Gyakran ez a folyamat nagyon messzire kerül a pillanatnyi igénytől, például amikor egy matematikus egy tételt bizonyít, vagy amikor egy csillagász a Föld várható élettartamát számítja.

A tudás és a következtetés alapvető szerepet játszanak a részben megfigyelhető környezetek kezelésénél is. A tudásbázisú ágens képes összekombinálni az általános tudást a pillanatnyi érzetekkel, hogy kikövetkeztesse a pillanatnyi állapot rejtett aspektusait, mielőtt cselekvést választ. Ilyen például, amikor egy orvos diagnosztizál egy beteget, azaz kikövetkeztet egy közvetlenül nem megfigyelhető betegségállapotot, mielőtt meghatározná a kezelés módját. A tudás egy része, amelyet az orvos használ, könyvekből vagy tanároktól megtanult szabályok formájában áll rendelkezésre, más része pedig asszociációs minták formájában van, amelyeket lehet, hogy az orvos nem is tud tudatosan leírni. Ha ezek is az orvos fejében vannak, akkor tudásnak számítanak.

A természetes nyelv megértése szintén igényli, hogy rejtett állapotokra következtessünk, nevezetesen, hogy a beszélő szándékát megismerjük. Amikor azt halljuk, hogy „János egy gyémántot látott az ablakon keresztül, és szeretné (azt) megkapni”, akkor tudjuk, hogy az „azt” a gyémántra vonatkozik, és nem az ablakra. Ilyenkor, talán nem is tudatosan, a relatív értékekről meglévő ismereteink segítségével következtetünk. Hasonlóan, amikor azt halljuk, hogy „János kidobott egy követ az ablakon keresztül, és betörte (azt)”, akkor tudjuk, hogy az „azt” az ablakra vonatkozik. A következtetés lehetővé teszi számunkra, hogy megbirkózzunk a kijelentések virtuálisan végtelen változatosságával, hétköznapi tudásunk egy véges halmazát felhasználva.

Az utolsó érvünk a tudásbázisú ágensek tanulmányozása mellett e rendszerek rugalmassága. Képesek explicit célok formájában megadott új feladatokat elfogadni, egy új környezetről kapott vagy megtanult új ismeretek révén kompetenssé válni, és frissítve a tudásuk releváns részét képesek alkalmazkodni a környezet változásához.

A 7.1. alfejezetben az ágens általános tervezésével kezdünk. A 7.2. alfejezet egy egyszerű új környezetet, a wumpus világot mutatja be, amelyben illusztrálni fogjuk a tudásbázisú ágens működését a technikai részletek ismertetése nélkül. Ezután a 7.3. alfejezetben elmagyarázzuk a logika (logic) általános elveit. A könyv III. részében végig a logika lesz az elsődleges eszköz a tudás reprezentálására. A logikai ágensek tudása mindig határozott, minden kijelentés vagy igaz, vagy hamis a világban, habár az ágens lehet agnosztikus néhány kijelentéssel kapcsolatban.

A logika jelentős pedagógiai előnye, hogy egy tudásbázisú ágens egyszerű reprezentációs formáját jelenti, viszont van néhány komoly korlátja is. A helyzet az, hogy az emberek vagy más ágensek által részlegesen megfigyelhető környezetekben végzett következtetések jelentős része függ bizonytalan tudás felhasználásától. A logika nem tudja ezt a bizonytalanságot jól reprezentálni, ezért az V. részben a valószínűséget tárgyaljuk, amely már képes erre. A VI. és VII. részben számos reprezentációt tárgyalunk, köztük néhány folytonos matematikán alapulót, mint a Gauss-görbék keverését, neurális hálózatokat és más reprezentációkat.

A 7.4. alfejezet bemutat egy egyszerű logikát, az ítéletkalkulust (propositional logic). Miközben ez lényegesen kevésbé kifejező, mint az elsőrendű logika (first-order logic) (8. fejezet), az ítéletkalkulus lehetőséget ad arra, hogy illusztráljuk a logika minden alapvető fogalmát. Létezik egy jól megtervezett technológia az ítéletkalkuluson történő következtetésre, amelyet a 7.5. és 7.6. alfejezetben írunk le. Végül a 7.7. alfejezet összekombinálja a logikai ágensek fogalmát az ítéletkalkulus technológiájával, hogy egyszerűbb ágenseket építsünk a wumpus világ számára. Azonosítjuk majd az ítéletkalkulus bizonyos hiányosságait, amelyek még hatékonyabb logikák fejlesztését fogják motiválni a következő fejezetekben.