Hispanopedia WikiEl análisis de medios y fines [ 1 ] ( MEA ) es una técnica de resolución de problemas utilizada comúnmente en inteligencia artificial (IA) para limitar la búsqueda en programas de IA. El MEA fue diseñado por dos científicos, Allen Newel y Herbert A. Simon, en 1957.Posteriormente, la idea de MEA dio lugar al General Problem Solver , con JC Shaw .
También es una técnica utilizada al menos desde la década de 1950 como herramienta de creatividad, mencionada con mayor frecuencia en libros de ingeniería sobre métodos de diseño. MEA también está relacionada con el enfoque de cadena medios-fines utilizado comúnmente en el análisis del comportamiento del consumidor . [ 2 ] También es una forma de clarificar las ideas al emprender una demostración matemática .
La resolución de problemas como búsqueda
Un aspecto importante del comportamiento inteligente, tal como se estudia en la IA, es la resolución de problemas basada en objetivos , un marco en el que la solución a un problema se puede describir mediante la búsqueda de una secuencia de acciones que conduzcan a un objetivo deseado. Se supone que un sistema orientado a objetivos está conectado a su entorno externo mediante canales sensoriales a través de los cuales recibe información sobre el entorno y canales motores a través de los cuales actúa sobre él. (El término aferente se utiliza para describir los flujos sensoriales internos y eferente para describir las órdenes motoras externas). Además, el sistema dispone de algún medio para almacenar en memoria información sobre el estado del entorno (información aferente) e información sobre las acciones (información eferente). La capacidad de alcanzar objetivos depende de la creación de asociaciones, simples o complejas, entre cambios particulares en los estados y acciones particulares que producirán dichos cambios. La búsqueda es el proceso de descubrimiento y ensamblaje de secuencias de acciones que conducirán de un estado dado a un estado deseado. Si bien esta estrategia puede ser apropiada para el aprendizaje automático y la resolución de problemas, no siempre se recomienda para los humanos (por ejemplo, la teoría de la carga cognitiva y sus implicaciones). [ 3 ]
Cómo funciona
La técnica MEA es una estrategia para controlar la búsqueda en la resolución de problemas. Dado un estado actual y un estado objetivo, se elige una acción que reduzca la diferencia entre ambos. Esta acción se aplica al estado actual para generar un nuevo estado, y el proceso se aplica recursivamente a este nuevo estado y al estado objetivo.
Para que el MEA sea efectivo, el sistema de búsqueda de objetivos debe contar con un mecanismo para asociar a cualquier diferencia detectable las acciones relevantes para reducirla. Asimismo, debe disponer de un mecanismo para detectar el progreso que está logrando (los cambios en las diferencias entre el estado actual y el deseado), ya que algunas secuencias de acciones intentadas pueden fallar y, por lo tanto, se pueden probar secuencias alternativas.
Cuando se dispone de información sobre la importancia de las diferencias, se selecciona primero la más importante para mejorar aún más el rendimiento promedio de MEA en comparación con otras estrategias de búsqueda por fuerza bruta. Sin embargo, incluso sin ordenar las diferencias según su importancia, MEA supera a otras heurísticas de búsqueda —en promedio— al centrar la resolución del problema en las diferencias reales entre el estado actual y el objetivo.
Uso de IA
La técnica MEA como estrategia de resolución de problemas fue introducida por primera vez en 1961 por Allen Newell y Herbert A. Simon en su programa informático de resolución de problemas General Problem Solver (GPS). [ 4 ] [ 5 ] En dicha implementación, la correspondencia entre diferencias y acciones, también llamadas operadores , se proporciona a priori como conocimiento en el sistema. (En GPS, este conocimiento se presentaba en forma de una tabla de conexiones).
Cuando la acción y los efectos secundarios de aplicar un operador son comprensibles, la búsqueda puede seleccionar los operadores relevantes mediante la inspección de los mismos, sin necesidad de una tabla de conexiones. Este último caso, cuyo ejemplo paradigmático es STRIPS ( Stanford Research Institute Problem Solver ), un programa informático de planificación automatizada , permite correlacionar las diferencias con los operadores que las reducen, independientemente de la tarea.
Prodigy, un solucionador de problemas desarrollado en un proyecto más amplio de planificación automatizada asistida por aprendizaje, iniciado en la Universidad Carnegie Mellon por Jaime Carbonell , Steven Minton y Craig Knoblock, es otro sistema que utilizó MEA.
Morten Lind, de la Universidad Técnica de Dinamarca, ha desarrollado una herramienta llamada Modelado de Flujo Multinivel (MFM). Esta herramienta realiza un razonamiento diagnóstico basado en medios y fines para sistemas de control y automatización industrial. [ 6 ]
Véase también
Referencias
- ↑ Simon, HA (1981). Las ciencias de lo artificial. Cambridge, Massachusetts: MIT Press.
- ↑ Kaciak, E y Cullen, CW (2006). Análisis de datos de cadenas medios-fines en la investigación de marketing . Journal of Targeting, Measurement and Analysis for Marketing 15, 12 – 20.
- ↑ Sweller, J. (1988). Carga cognitiva durante la resolución de problemas: Efectos en el aprendizaje. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
- ↑ Newell, A., & Simon, HA (1959). La simulación del pensamiento humano. Santa Mónica, California: Rand Corp.
- ↑ Newell, A., & Simon, HA (1961). GPS, un programa que simula el pensamiento humano. Santa Mónica, California: Rand Corporation.
- ↑ Larsson, Jan Eric (2002). "Razonamiento diagnóstico basado en modelos medios-fines: experiencias y perspectivas futuras" . Knowledge-Based Systems . 15 ( 1–2 ): 103–110 . doi : 10.1016/S0950-7051(01)00126-5 .
- Inteligencia artificial
- Técnicas de futuro