Sarana-Ends Analysis (MEA) adalah teknik pemecahan masalah yang umum digunakan dalam Artificial Intelligence (AI) untuk membatasi pencarian dalam program AI.
Ini juga merupakan teknik yang digunakan setidaknya sejak tahun 1950-an
sebagai alat kreativitas, paling sering disebutkan dalam buku rekayasa
pada metode desain. MEA juga terkait dengan Sarana-Ends Pendekatan Rantai digunakan umumnya dalam analisis perilaku konsumen.Ini juga merupakan cara untuk memperjelas pikiran seseorang ketika memulai sebuah bukti matematis.
Sebuah aspek penting dari perilaku cerdas belajar di AI adalah berbasis tujuan pemecahan masalah, sebuah kerangka di mana solusi dari masalah dapat dijelaskan dengan menemukan urutan tindakan yang mengarah pada tujuan yang diinginkan.
Sebuah sistem tujuan-seeking seharusnya terhubung ke lingkungan luar
yang oleh saluran sensorik melalui yang menerima informasi tentang
lingkungan dan motor saluran melalui mana ia bertindak pada lingkungan.
(Istilah "aferen" digunakan untuk menggambarkan "ke dalam" arus
sensorik, dan "eferen" digunakan untuk menggambarkan "luar" Motor
perintah.) Selain itu, sistem memiliki beberapa cara untuk menyimpan
dalam memori informasi tentang keadaan lingkungan (informasi aferen) dan informasi tentang tindakan (informasi eferen).
Kemampuan untuk mencapai tujuan tergantung pada membangun asosiasi,
sederhana atau kompleks, antara perubahan tertentu di negara-negara dan
tindakan tertentu yang akan membawa perubahan ini tentang.
Pencari adalah proses penemuan dan perakitan urutan tindakan yang akan
memimpin dari negara yang diberikan kepada keadaan yang diinginkan.
Sementara strategi ini mungkin cocok untuk mesin belajar dan pemecahan
masalah, itu tidak selalu disarankan bagi manusia (misalnya beban kognitif teori dan implikasinya).
Teknik MEA adalah strategi untuk mengontrol pencarian dalam pemecahan masalah. Mengingat keadaan saat ini dan keadaan tujuan, tindakan yang dipilih yang akan mengurangi perbedaan antara keduanya.
Tindakan ini dilakukan pada keadaan saat ini untuk menghasilkan negara
baru, dan proses ini secara rekursif diterapkan untuk negara baru ini
dan negara tujuan.
Perhatikan bahwa, dalam rangka untuk MEA menjadi efektif, sistem
tujuan-mencari harus memiliki sarana bergaul untuk setiap jenis
perbedaan terdeteksi tindakan-tindakan yang relevan dengan mengurangi
perbedaan itu.
Hal ini juga harus memiliki alat untuk mendeteksi kemajuan itu adalah
membuat (perubahan perbedaan antara aktual dan keadaan yang diinginkan),
karena beberapa urutan mencoba tindakan mungkin gagal dan, karenanya,
beberapa urutan alternatif mungkin dicoba.
Ketika pengetahuan tersedia mengenai pentingnya perbedaan, perbedaan
yang paling penting adalah dipilih pertama untuk lebih meningkatkan
kinerja rata-rata MEA lebih strategi pencarian brute-force lainnya.
Namun, bahkan tanpa pemesanan perbedaan sesuai dengan kepentingan, MEA
meningkatkan lebih heuristik pencari lainnya (lagi dalam kasus
rata-rata) dengan berfokus memecahkan pada perbedaan sebenarnya antara
keadaan saat ini dan bahwa gawang masalah.
Teknik MEA sebagai strategi pemecahan masalah pertama kali diperkenalkan pada tahun 1961 oleh Allen Newell dan Herbert A. Simon di mereka program komputer pemecahan masalah General Problem Solver (GPS).Dalam pelaksanaannya itu, korespondensi antara perbedaan dan tindakan, juga disebut operator, disediakan a priori sebagai pengetahuan dalam sistem. (Dalam GPS pengetahuan ini adalah dalam bentuk tabel koneksi.)
Ketika aksi dan efek samping dari penerapan operator pencarian dapat memilih operator yang relevan dengan pemeriksaan operator dan melakukan tanpa meja koneksi. Kasus yang terakhir ini, yang contoh kanonik adalah strip , sebuah perencanaan otomatis program komputer, memungkinkan korelasi tugas-independen perbedaan dengan operator yang mengurangi mereka.
Prodigy, pemecah masalah dikembangkan dalam proyek perencanaan otomatis belajar-dibantu besar dimulai di Carnegie Mellon University oleh Jaime Carbonell, Steven Minton dan Craig Knoblock, adalah sistem lain yang digunakan MEA.
Profesor Morten Lind, di Technical University of Denmark telah mengembangkan alat yang disebut pemodelan aliran multilevel (MFM). Ia melakukan cara-end penalaran diagnostik berbasis kontrol dan otomatisasi sistem industri.
sumber : https://en.wikipedia.org/wiki/Means-ends_analysis
Tidak ada komentar:
Posting Komentar