人工智能与“企业中问题的解决”

来源:百度文库 编辑:神马文学网 时间:2024/03/28 20:53:12
人工智能与“企业中问题的解决”
人工智能(AI)是计算机科学的一个分支,
它研究如何用计算机模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划
以及问题求解等思维活动,来解决需要人类专家才能处理的复杂问题。例如,咨询、诊断、
预测、规划等决策性问题。
1. 问题及其分类
人们在生活、学习和工作中每时每刻都会遇到各种各样的问题。
美国著名心理学家和计算机专家西蒙(Sinmon,1978)指出:
当一个人接受一项任务,但又不知道如何去完成它时,他面临的就是一个问题。
西蒙将问题解决看作人类认知的三类信息加工过程(再认、问题解决、学习)之一。
可见,问题解决就是所面对的问题得到解决的认知活动过程。
为了寻求用信息技术求解问题的有效策略,人们从不同角度问题的类型进行划分与研究。
当然,人们对问题类型的划分只是相对的,它可以在一定的条件之下发生变化。
(1)良构问题和劣构问题
根据问题状态的清晰程度,可以将问题区分为定义完善的问题、定义不完善的问题两大类,
它们也被分别被称为良构(well-structured)问题和劣构(ill- structured)问题。
在定义完善的问题中,问题的前提与目标状态都是清晰的,
达到目标的潜在的解决路径是已知的或者比较容易获取的。
例如,求解一元二次方程X2+3X+2=0的问题就是一个定义完善的问题。
反之,在定义不完善的问题中,则可能有一个未加明确说明的既定状态、
一个不明确的但希望达到的目标状态,而且也可能没有普遍认同的解决问题的策略。
例如,心理咨询问题就是一类定义不完善的问题。
(2)结构化问题与非结构化问题
根据信息处理过程的结构化程度不同,有专家将问题划分成三种类型:
结构化问题、非结构化问题与半结构化问题。
结构化(structured)问题,是指能够通过形式化(或称公式化)方法描述和求解的一类问题;
非结构化(unstructured)问题则难以用确定的形式来描述,主要根据经验来求解;
介于上述两者之间的是半结构化(semi-structured)问题。
(3)常规性问题与非常规性问题
从问题解决者的知识角度来看,可以将问题分为常规性问题与非常规性问题两大类。
常规性问题是一类与问题解决者已经解决了的问题相同或相似的问题,该类问题只需通过再现性思维即可获得解决;
非常规性问题是指不同于问题解决者以前已经解决过的问题,该类问题的解决需要问题解决者建立新的解决方案。
2.问题解决的基本策略
就上述各类问题的解决策略而言,一般来说可以分成算法求解策略与启发式求解策略两大类:
(1) 算法求解策略
算法是保证解决某一特定问题的一种方法或程序,是一种规则系统。
目前企业中面临的很多问题都是定义完善问题(或结构化问题、常规性问题),
它们大都可以通过简单的分析,根据现成的算法编程来解决。
(2)启发式求解策略
启发式是一种通用的、适应面较广的问题解决策略,
较多地被应用于复杂的定义不完善问题(或非结构化问题、非常规性问题)的求解。
在有关问题解决的信息加工理论中,问题空间、搜索等都是十分基本的概念。
在这里,问题空间是问题解决者在任务环境中通过对目标状态路径的搜索而形成的,
大多数问题都可能有一条以上的达到问题解决目标的路径。
因此,问题的解决过程实质上就是对问题空间(即搜索空间)的搜索过程,
而对于复杂的非结构化问题来说,则需要采用非传统的、直觉的、推测性的启发性策略进行求解。
通过简单博弈问题的分析,了解用盲目搜索技术进行状态空间搜索的基本过程,
可以知道启发式搜索的基本思想及其优点。
需要指出的是,问题解决的具体策略多种多样,求解策略的选择也是相对的。
对于不同类型的问题,可以用不同的策略和相应的信息技术工具来求解;
反之,同一个问题也可以采用不同策略来获得解决。
3.人工智能在“问题解决”中的作用
我们知道,人工智能研究处于信息技术的前沿,它的研究、应用和发展 在一定程度上
决定着计算机技术的发展方向。
今天,人工智能的不少研究领域如自然语言理解、模式识别、机器学习、数据挖掘、
智能检索、机器人技术、人工神经网络等都走在了信息技术的前沿,
有许多研究成果已经进入人们的生活、学习和工作中,并对人类的发展产生了重要影响。
与一般的信息处理技术相比,人工智能技术在求解策略和处理手段上都有其独特的风格。
而企业中也会遇到大量的结构性问题、非结构性问题、半结构性问题。
所以,作为管理人员,了解一些信息技术的相关进程,
可以拓展自己的思路、避免被自己的惯常思维所限制住——这也是创新思维中的措施之一。
人工智能的相关研究成果,是完全可以用于个人的思维能力提升、组织思维能力的提升。
有些高科技并不像你所想像得那么复杂的。因为人工智能研究的是人类思维模式、人类遇到的问题解决。
在企业中,
1)对信息的获取、加工、管理、表达与交流的能力;
2)对信息及信息活动的过程、方法、结果进行评价的能力;
3)发表观点、交流思想、开展合作并解决学习和生活中实际问题的能力;
4)遵守相关的伦理道德与法律法规,形成与信息社会相适应的价值观和责任感。
由此可见,“解决学习和生活中实际问题的能力”即问题解决能力的培养或发展,
既是人工智能的科研人员所关心的,也应该是企业中管理人员应该终身思考、终身关心的问题。
自我训练时,可以注意以下原则:
1)对问题解决方法多样性和多种思维方式的培养
从求解问题的计算机程序的组成来看,有专家认为:
求解结构化问题的传统程序=算法+数据结构,
而求解非结构化、半结构化问题的人工智能程序=知识+推理。
自学一点人工智能的知识,了解人工智能语言的基本特征,
理解智能化问题求解的最为基本的策略的过程中,体验、认识人工智能知识与技术的过程中
获得对非结构化、半结构化问题解决过程的了解,
从而可以使自己了解计算机解决问题的方法的多样性,
也就会对日常生活中的问题解决方法多样性有所了解,
培养自己的多种思维方式,提高个人素养。
2)对自己的分析能力 与 判断能力的培养
在人工智能应用中,专家系统是模拟人类专家解决问题的思路和经验,
来解决现实社会特定领域中复杂问题的一类软件系统。
一个实际的专家系统不仅能够为用户给出相关领域的专家水平建议或决策,
而且能够通过解释机制,以用户容易理解的方式解释专家系统的具体推理过程。
可以向专家系统提出诸如“为什么(Why)要问该问题?”“该结论是如何(How)得到的?”等问题,
系统接受用户的问题指令后,可以根据推理的逻辑进程,即时将答案呈现给用户。
由于专家系统中的知识组织与推理过程是对人类专家思维方式的一种模拟与再现,
因此在建造知识库过程中,需要将原来零碎的未成型的知识概念化、形式化和条理化,
从而内化为自己的东西。正如美国著名的学习论专家Jonassen所指出的:
那些自行设计专家系统的企业员工将会在该种活动中受益匪浅,
因为这是一个对所学知识进行深度加工的过程。
这个过程,其实是“知识管理(KM)”在企业中的运用,
对于建设者来说,是一个很好的学习过程,很多人放弃这些,造成了不必要的学习机会的浪费。
版权说明:
科学知识是相通的,但是,有些文字来源不得不说(懒得录入了,直接复制了别人的文字)。
本帖由本人 写于2007年12月29日,是受另一篇文章的启发。那篇文章考虑的是如何将相关知识融于 高中 信息技术教育中。我写的,是如何提高自己的个人素养,拓展管理人员思维模式。
参考文章:《人工智能技术与“问题解决”》,作者:张剑平,浙江师范大学教育技术系。
http://blog.tianya.cn/blogger/post_show.asp?idWriter=0&Key=0&BlogID=1057885&PostID=11309471
编辑于 2008-01-07 15:10:06 星期一