Q:
Hvordan brukes en endelig tilstandsmaskin i kunstig intelligens?
EN:Finite state-maskiner (FSM-er) er beregningsmodeller definert av en liste over unike settetilstander som bare kan velges én etter én. I et nøtteskall er FSM-er enkle, men elegante løsninger for å bygge AI der maskinen bare kan være i en tilstand når som helst, og bare kan bytte fra en tilstand til en annen gjennom en overgang når en inngang mottas. Det mest tradisjonelle eksemplet er et trafikklys, som går over fra grønt til gult og fra gult til rødt etter en definert tidsperiode. I dette tilfellet er inngangen representert av tid, men ingen reell AI er involvert siden enheten er fullstendig passiv. Bare hvis trafikklyset kunne reagere på forbipasserende, kunne AI være involvert.
FSMer brukes bredt i videospillindustrien for deres iboende enkelhet og forutsigbarhet for å støtte grunnleggende, men funksjonell AI. For eksempel brukes de stort sett i action- og RPG-spill av ikke-spillbare tegn (NPC). En relativt enkel AI-modell er bygget slik at en gitt NPC (vanligvis en fiende) bare kan velge en bestemt oppførsel - si, angrip, fly, forsvare, oppdage, etc. De kan også brukes til hovedpersoner, for eksempel når spilleren får en oppstart eller en bonus, eller for å modellere brukergrensesnitt og kontrollordninger i plattformspill (for å stille inn krøket tilstand eller hurtigbrann-modus).
FSMer kan brukes til å lage realistiske simuleringer av programvarearkitektur og kommunikasjonsprotokoller for cybersikkerhetsformål. FSM-modeller for sårbare operasjoner genereres for å forstå alle mulige utnyttelser, og la AI finne de beste løsningene for å dempe dem. Disse simuleringene brukes til å teste og evaluere sikkerhetsprotokoller, deres robusthet og sikkerhetsstillingen til et system. De kan senere brukes til å etablere nettbasert sikkerhetspolitikk og beste praksis.
FSM-er har også blitt brukt innen beregningsspråklighet for å bygge naturlige språkprosesseringsverktøy (NLP) -verktøy og chatbots med blandede resultater. Naturlig menneskelig språk er imidlertid fullt av uklarheter i sammenheng som lett kan utledes av andre mennesker under virkelige samtaler (eller til og med mens du leser en tekst). FSM prøver å parse språk med en deterministisk tilnærming som ofte er for stiv til å håndtere naturlige samtaler, så statistisk inferens og beslutningsteorier er vanligvis de foretrukne metodene. FSM-er representerer fortsatt et godt grunnlag som en enkel, men effektiv NLP AI er bygget på tidligere. I programvare og applikasjoner der dialoger er hardkodet i kildekoden til et bestemt programmeringsspråk, kan FSM-er imidlertid brukes effektivt nok.
