مدل‌سازی محیط با دنیای ومپوس، PEAS و استنتاج منطقی (جلسه گذشته)

خلاصه تدریس استاد در این جلسه

«در جلسه‌ی پایانی، وارد یکی از مثال‌های کلاسیک هوش مصنوعی شدیم: دنیای ومپوس (Wumpus World) که در کتاب راسل و نورویگ به‌عنوان نمونه‌ی یک محیط پیچیده‌ی منطقی استفاده می‌شود. هدف این بود که ببینیم چگونه می‌توانیم عامل‌های منطقی را در محیط‌های نامطمئن و نسبی طراحی و تحلیل کنیم. ابتدا سناریوی دنیای ومپوس را توضیح دادیم: محیط یک شبکه‌ی 4 × 4 4×4 است که در هر خانه ممکن است موارد زیر باشد: هیولا (Wumpus) که کشنده است، گودال (Pit) که سقوط در آن منجر به مرگ می‌شود، طلا (Gold) که هدف اصلی عامل است، یا خالی. عامل (مثلاً یک ربات جستجوگر) در خانه‌ی ( 1 , 1 ) (1,1) شروع می‌کند که کاملاً ایمن است (نه گودال دارد، نه هیولا). سپس به سنسورها و ادراک‌ها در این محیط پرداختیم: Breeze (نسیم): اگر در خانه‌ی فعلی نسیم احساس شود، یعنی در یکی از خانه‌های مجاور یک گودال وجود دارد. Stench (بوی بد): اگر بوی بد حس شود، یعنی در یکی از خانه‌های مجاور یک هیولا (Wumpus) حضور دارد. Glitter (درخشندگی): وجود طلا در همان خانه. Bump (برخورد): وقتی عامل به دیوار برخورد می‌کند. Scream (فریاد): زمانی که تیر به هیولا برخورد کرده و او کشته شده است. سپس مفهوم PEAS را برای این محیط توضیح دادیم (سؤال مهم امتحانی): P – Performance (معیار کارایی): +۱۰۰ امتیاز برای پیدا کردن طلا و خروج موفق از غار. −۱ امتیاز برای هر حرکت یا چرخش، تا عامل را به سمت انتخاب کوتاه‌ترین و کارآمدترین مسیر سوق دهیم. −۱۰ برای هر بار شلیک تیر (چون شلیک هزینه دارد). −۱۰۰۰ برای افتادن در گودال یا خورده شدن توسط هیولا. E – Environment: محیط گسسته، ایستا (اگر عامل کاری نکند محیط تغییر نمی‌کند)، جزئی‌قابل‌مشاهده (عامل فقط خانه‌ی فعلی را حس می‌کند). A – Actuators: حرکت به جلو، چرخش به چپ/راست، گرفتن/رها کردن اشیا، شلیک تیر. S – Sensors: سنسورهای احساس نسیم، بوی بد، درخشندگی، برخورد و فریاد. در ادامه به استنتاج منطقی در دنیای ومپوس پرداختیم: هدف این است که عامل با استفاده از ادراک‌های محلی (مثلاً «در این خانه نسیم هست یا نیست؟») و دانش قبلی (پایگاه دانش منطقی)، بتواند نتیجه بگیرد که کدام خانه‌ها ایمن هستند و کدام‌یک خطرناک‌اند. از منطق گزاره‌ای و به‌ویژه شکل CNF (Conjunctive Normal Form) و قاعده‌ی رزولوشن (Resolution Rule) استفاده کردیم تا نشان دهیم چطور می‌توان از جملات شرطی مانند: «اگر در خانه‌ای بوی بد باشد، حداقل یکی از خانه‌های مجاور آن حاوی هیولا است.» «اگر در خانه‌ای نسیم نباشد، هیچ‌کدام از خانه‌های مجاور آن گودال ندارند.» به نتیجه‌گیری‌های منطقی درباره‌ی وجود یا عدم وجود گودال/هیولا در سلول‌های همسایه رسید. همچنین تفاوت بین توصیف انتزاعی و توصیف دقیق/مجرد را توضیح دادیم: توصیف انتزاعی: بیان کلی روابط بدون ورود به تمام جزئیات. توصیف دقیق (Concrete): مشخص‌کردن همه‌ی جزئیات، مثل نوشتن تابع عامل به‌صورت دقیق روی یک سخت‌افزار و زبان برنامه‌نویسی مشخص. در پایان، دوباره به مفهوم عقلانیت در دنیای ومپوس برگشتیم: یک عامل عقلانی در این محیط، با توجه به ادراک‌ها، دانش قبلی، معیار کارایی و مجموعه‌ی کنش‌های ممکن، تصمیم می‌گیرد که: آیا وارد خانه‌ی مجاور بشود یا نه، آیا ارزش دارد برای کشتن هیولا تیر شلیک کند یا خیر، چه زمانی باید ریسک کند و چه زمانی باید عقب‌نشینی کند. این جلسه نشان داد که هوش مصنوعی فقط محاسبات عددی نیست؛ بلکه شامل استدلال منطقی، مدیریت عدم قطعیت، و طراحی معیارهای عقلانیت برای عامل‌ها در محیط‌های پیچیده است. این مثال (ومپوس) یک چارچوب عالی برای درک عمیق‌تر مباحث پیشرفته‌ی AI در ادامه‌ی مسیر تحصیلی شماست.»