Innehåll
F:
Hur används en finite state-maskin i artificiell intelligens?
A:
Finite state-maskiner (FSM) är beräkningsmodeller definierade av en lista med unika uppsättningstillstånd som endast kan väljas en efter en. I ett nötskal är FSM enkla men eleganta lösningar för att bygga AI där maskinen bara kan vara i ett tillstånd när som helst och endast kan växla från ett tillstånd till ett annat genom en övergång när en ingång tas emot. Det mest traditionella exemplet är ett trafikljus som övergår från grönt till gult och från gult till rött efter en definierad tidsperiod. I detta fall representeras ingången av tiden, men ingen verklig AI är involverad eftersom enheten är helt passiv. Endast om trafikljuset skulle kunna reagera på förbipasserande kan AI vara inblandad.
FSM används i stort sett inom videospelbranschen för sin inneboende enkelhet och förutsägbarhet för att stödja grundläggande men funktionella AI. Till exempel används de till stor del i action- och RPG-spel av icke-spelbara karaktärer (NPC). En relativt enkel AI-modell är byggd så att en given NPC (vanligtvis en fiende) bara kan välja ett visst beteende - säg, attackera, fly, försvara, upptäcka, etc. De kan också användas för huvudpersoner, till exempel när spelaren får en power-up eller bonus, eller för att modellera användargränssnitt och kontrollscheman i plattformsspel (för att ställa in det krossade läget eller läget för snabb eld).
FSM kan användas för att skapa realistiska simuleringar av programvaruarkitektur och kommunikationsprotokoll för cybersäkerhetsändamål. FSM-modeller av sårbara operationer genereras för att förstå alla möjliga exploateringar och låta AI hitta de bästa lösningarna för att mildra dem. Dessa simuleringar används för att testa och utvärdera säkerhetsprotokoll, deras robusthet och säkerhetsställning i ett system. De kan senare användas för att fastställa cybersecurity-policyer och bästa praxis.
FSM har också använts inom området lingvistik för att bygga NLP-verktyg och chatbots med blandade resultat. Naturligt mänskligt språk är emellertid fullt av oklarheter i kon som lätt kan dras av andra människor under verkliga samtal (eller till och med under läsning av a). FSM: er försöker analysera språk med en deterministisk inställning som ofta är för stel för att på ett korrekt sätt hantera naturliga samtal, så statistiska inferens och beslutsteorier är vanligtvis de föredragna metoderna. FSM representerar fortfarande en bra grund som en enkel men effektiv NLP AI har byggts tidigare. I programvara och applikationer där dialogrutor är hårdkodade inuti källkoden för ett visst programmeringsspråk, kan FSM: er dock användas tillräckligt effektivt.