Egy feladat, ahogy a gép látja
Képzeljük el, hogy egy kirakós játékot oldunk meg, ahol csúsztatható lapkákat kell a helyükre tenni. Számunkra ez egyetlen, folyamatos tevékenység. A gép számára viszont a játék pillanatnyi képe egy állapot, egy konkrét helyzet, amit pontosan le lehet írni. Minden egyes csúsztatással egy másik állapotba kerülünk. A klasszikus MI első és legfontosabb lépése éppen ez a nézőpontváltás. Nem folyamatot lát, hanem helyzeteket és a köztük vezető átmeneteket.
Ez a szemlélet nem csak játékokra igaz. Egy útvonaltervezésnél az állapot az, hogy melyik városban vagyunk. Egy beosztásnál az állapot az, hogy eddig kinek mit osztottunk ki. Amint egy feladatot fel tudunk bontani állapotokra és lépésekre, máris olyasmivé alakítottuk, amin egy gép keresni tud.
Öt dolog, ami minden kereséshez kell
Ahhoz, hogy egy problémát kereshetővé tegyünk, öt dolgot kell tisztázni. Az első a kiindulási állapot, vagyis az a helyzet, ahonnan indulunk. A második a lehetséges lépések, azaz mit tehetünk egy adott helyzetben. A harmadik az átmenet, ami megmondja, melyik lépés melyik új állapotba visz. A negyedik a célfeltétel, amely eldönti egy állapotról, hogy megoldás-e. Az ötödik pedig az útköltség, amely megmondja, mennyibe kerül egy adott úton eljutni a célig.
Ez az öt elem együtt alkotja a probléma pontos leírását. Ha ezeket megadjuk, a gépnek már nincs is szüksége másra. A dolga onnantól annyi, hogy a kiindulásból elinduljon, lépésről lépésre bejárja az elérhető állapotokat, és megtalálja azt az utat, amely eléri a célt, lehetőleg a legkisebb költséggel.
Miért lesz olyan gyorsan hatalmas
A megközelítés egyszerű, mégis van benne egy fontos csavar. Az állapotok száma sok problémánál elképesztő gyorsan nő. Ha minden helyzetben csak négy lehetséges lépés van, akkor tíz lépés után már több mint egymillió lehetséges úton járhatunk. Ez a jelenség, hogy a lehetőségek elágazásról elágazásra sokszorozódnak, a klasszikus MI egyik központi kihívása. Nem az a nehéz, hogy egyáltalán megtaláljuk a megoldást, hanem hogy ne kelljen az összes lehetőséget végignézni hozzá.
Éppen ezért a keresés nem vak bolyongás. A gép nyilvántartja, hol járt már, hogy ne fussa be ugyanazt az utat kétszer. Egy határvonalat vezet, azoknak az állapotoknak a listáját, amelyeket már látott, de még nem járt be teljesen. Innen választja ki a következő állapotot, amit megvizsgál. A teljes tananyag további leckéi jórészt arról szólnak, milyen okosan lehet ezt a választást meghozni.
A keresési fa
Amikor a gép a kiindulásból elindul és rendre kibontja a lehetséges lépéseket, egy fa jellegű szerkezet rajzolódik ki. A tetején a kiindulás áll, alatta az egy lépéssel elérhető állapotok, azok alatt a két lépéssel elérhetők, és így tovább. Ezt hívjuk keresési fának. Nem előre megrajzolt térkép, hanem menet közben épül, ahogy a gép egyre több állapotot bont ki. A keresés lényege, hogy ezt a fát hogyan járjuk be, melyik ágat vegyük előre, és mikor mondjuk azt, hogy megtaláltuk a megoldást.
A fa gyökere a kezdet, a levelei a még ki nem bontott állapotok, és valahol a fában ott lapul a cél. A jó keresés az, amelyik a lehető legkevesebb csomópont kibontásával eljut a célhoz. A következő leckében ezt a bejárást nézzük meg közelebbről, két alapvető stratégiával, amelyek egészen máshogy fedezik fel ugyanazt a fát.
Öt elem, és kész a kereshető probléma. Kiindulási állapot, lehetséges lépések, átmenet, célfeltétel és útköltség. Ha egy feladatot le tudsz írni ezzel az öt dologgal, akkor a gép már keresni tud rajta. A többi már csak a keresés okossága.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, prioritizált cselekvési lista.
Érdekel a program →