Q:
Hoe wordt een eindige toestandsmachine gebruikt in kunstmatige intelligentie?
EEN:Eindige-toestandsmachines (FSM's) zijn computermodellen die worden gedefinieerd door een lijst met unieke set-toestanden die slechts één voor één kunnen worden gekozen. Kort samengevat zijn FSM's eenvoudige maar elegante oplossingen om AI te bouwen waarbij de machine slechts in één toestand tegelijk kan zijn en alleen van de ene naar de andere toestand kan schakelen via een overgang wanneer een invoer wordt ontvangen. Het meest traditionele voorbeeld is een verkeerslicht, dat na een bepaalde tijd van groen naar geel overgaat en van geel naar rood. In dit geval wordt de invoer voorgesteld door de tijd, maar is er geen echte AI omdat het apparaat volledig passief is. Alleen als het verkeerslicht op voorbijgangers zou kunnen reageren, zou AI erbij betrokken kunnen zijn.
FSM's worden algemeen gebruikt in de videogamebranche vanwege hun inherente eenvoud en voorspelbaarheid ter ondersteuning van eenvoudige maar functionele AI. Ze worden bijvoorbeeld grotendeels gebruikt in actie- en RPG-games door niet-speelbare personages (NPC's). Een relatief eenvoudig AI-model is zo gebouwd dat een bepaalde NPC (meestal een vijand) alleen een bepaald gedrag kan selecteren - bijvoorbeeld aanvallen, vluchten, verdedigen, detecteren, enz. Ze kunnen ook worden gebruikt voor hoofdpersonen, bijvoorbeeld wanneer de speler krijgt een power-up of bonus, of om UI en besturingsschema's te modelleren in platformgames (om de crouched-status of snelvuurmodus in te stellen).
FSM's kunnen worden gebruikt om realistische simulaties van software-architectuur en communicatieprotocollen te maken voor cybersecurity-doeleinden. FSM-modellen van kwetsbare operaties worden gegenereerd om alle mogelijke exploits te begrijpen en de AI de beste oplossingen te laten vinden om deze te beperken. Deze simulaties worden gebruikt om beveiligingsprotocollen, hun robuustheid en de beveiligingshouding van een systeem te testen en evalueren. Ze kunnen later worden gebruikt om beleid en best practices voor cybersecurity op te stellen.
FSM's zijn ook gebruikt op het gebied van computerlinguïstiek om tools voor natuurlijke taalverwerking (NLP) en chatbots met gemengde resultaten te bouwen. De natuurlijke menselijke taal is echter vol ambiguïteiten in context die gemakkelijk door andere mensen kunnen worden afgeleid tijdens gesprekken in de praktijk (of zelfs tijdens het lezen van een tekst). FSM's proberen taal te ontleden met een deterministische benadering die vaak te rigide is om natuurlijke gesprekken goed te verwerken, dus statistische inferentie en besluitvormingstheorieën zijn meestal de voorkeursmethoden. FSM's vormen nog steeds een goede basis waarop in het verleden een eenvoudige maar efficiënte NLP AI is gebouwd. In software en toepassingen waar dialogen hard zijn gecodeerd in de broncode van een bepaalde programmeertaal, kunnen FSM's echter efficiënt genoeg worden gebruikt.
