人工智能中的真值维护系统

引言

真值维护系统 (TMS) 是人工智能 (AI) 中的一个属性，用于进行信念、假设和知识管理。它通过在信念可能随时间变化（由于新信息的涌入）时保持知识的稳定性和完整性，在 AI 系统中组织知识方面起着至关重要的作用。

异构和冲突的数据在世界中很常见，并且很难表达和推理我们称之为“不确定知识”的东西。解决此问题的最相关方法是真值维护系统，它是一种知识表示和推理系统，有助于处理矛盾和不确定的知识。

真值维护系统是一个用于控制使用和处理不确定和不一致信息的系统，它跟踪用于得出结论的信念和假设，以维护形式本体。在这篇博文中，读者将了解 TMS 究竟是什么，它的工作原理以及它的用途。

什么是真值维护系统 (TMS)？

AI 系统是为了根据一组数据、命题或假设来做出决策、寻找解决方案和提供答案而存在的。这些构成我们知识基础的事实和信念并非固定不变。随着新信息的到来，它们可能会发生变化，因为它们可能相互矛盾，或者因为个人被迫推翻他们认为是对情况的准确理解。TMS 确保 AI 系统的应用环境能够适应由于新事实而对先前推导出的结论进行修改和撤回。

真值维护系统是一种用于知识表示和推理的系统，当要存储的信息不一致且不确定时。这是因为它会记录用于得出结论的信念和假设，从而提供对世界的连贯视角。它用于识别和解决两种不同信念思维过程之间的不一致性。换句话说，这是一种确保它拥有的所有知识都被存储并可用的方法，以便系统可以确认这些知识是好的并且是最新的。

TMS 的工作方式是存储知识库中的所有信念或事实以及这些信念或事实的推导结论。当有新信息要合并到知识库中时，TMS 会验证并确定它是否构成了现有信念的元素。如果不是，TMS 会深入研究信念的冲突，并着手消除或改变冲突的信念。这个过程的名称是“信念修正”。

TMS 还维护不同信念之间关系的记录。例如，当一个信念依赖于另一个信念时，TMS 会在接受导致其生成的另一个信念之前，检查以确保依赖的信念仍然合理。这很有帮助，因为知识库信息实际上没有被扭曲。

从实际角度来看，TMS 应用于专家系统或决策系统，其中使用的信息是基础性的，并且必须准确可靠。它还可以用于自然语言处理，它可以帮助 AI 系统检查它是否正确或一致地解释了语言。

TMS 在人工智能中的重要性

通常的做法是，广泛的 AI 系统的知识表示和推理需要一种健全且适应性强的方法来管理其信念。这篇博文讨论了信念的不一致会影响这些系统的可信度。这就是 TMS 发挥作用的地方。它使 AI 系统能够跟踪信念依赖性，从而跟踪何时某个信念发生了变化，并因此更改了所有依赖于初始信念的后续信念。

例如，专家医学诊断系统是人工智能系统的一个例子。该系统可能从一些被认为是由单一类型疾病引起的症状输入开始。然而，随着新的测试结果到达系统，根据结果，可能需要系统进行新的诊断。TMS 通过撤销旧信念并将新的、相关的知识引入知识库来帮助这种过渡。

真值维护系统的类型

目前的研究表明存在各种形式的 TMS，每种形式都用于管理其他类型的推理以及信念修正。主要类型包括

基于理由的真值维护系统 (JTMS)

JTMS 是迄今为止最受欢迎的 TMS 类型。因此，除了信念或假设本身之外，它还跟踪原因或理由。JTMS 通常还包含每个信念的理由，说明为什么该信念被认为是真实的。仍然有可能通过理由进行回溯，以确定需要更新或撤销哪些假设才能消除矛盾。

例如，如果一个 AI 驱动的决策系统根据症状 X、症状 Y 和症状 Z 发现患者患有疾病 A，并且之后，由于新的测试结果，疾病 A 被排除，系统将能够回溯到理由（症状）并纠正错误。

基于假设的真值维护系统 (ATMS)

在 ATMS 中，系统可能存在的上下文被管理，并且存在多个上下文。每个上下文都指代一组假设。ATMS 使 AI 系统能够考虑各种可能性；采取特定的信念，后者评估在给定假设下哪些信念是有效的。这在需要同时处理多个假设的系统中特别有用，例如在规划或诊断系统中。

例如，在基于 AI 的规划系统中，ATMS 可以生成与某些假设（如资源可用性或缺乏、一天中的时间等）一致的计划树。如果发现一组假设不正确，则可以在很短的时间内替换另一个假设。当需要答案时，无需重新编程整个系统。

基于逻辑的真值维护系统 (LTMS)

LTMS 实际上是一种 TMS，它利用逻辑健全性来保持系统中存储的数据的真实性，因为它包含一组信念。由于它旨在与一阶形式主义（如命题逻辑）中编码的知识一起工作，因此它的核心代表了这种知识。在 LTMS 中，有一个固定的逻辑公式库，以及一些关于哪些信念为真的断言，并且只有与库中的逻辑公式一致的信念才会被认为是准确的。在出现不一致的情况下，系统会应用推理规则来阻止冲突。

LTMS 在涉及文档风格形式推理的应用中最为有效，包括定理证明或逻辑编程。它确保开发的 AI 系统是合乎逻辑的，同时严格遵循关于信念状态的逻辑规则。

真值维护系统是如何工作的？

从广义上讲，TMS 是用于实现和维护知识库系统假设的算法和定义数据结构的集合。这些信念假设被组合成一个知识库，其中信念或假设以真或假为基础的逻辑命题的形式表示。

当信息输入系统时，TMS 会验证新信息是否与现有知识数据库匹配。但是，如果不同部分反映了一致性水平，那么它就会被合并到知识库中。在这种 TMS 不一致的情况下，它可能会完全忽略新数据，或者调整现有信念和假设以适应最新数据。

当添加新信息时，TMS 会查看它是否是知识库活动信念的原材料。TMS 能够检测到冲突的信念，然后努力通过消除或改变其中一个或多个来减少冲突。这也被称为“信念修正”。为此，TMS 还对依赖性进行建模，以跟踪各种信念之间的相互关系。TMS 被设计用来检查一个信念是否是从另一个信念推导出来的，那么后者在接受前者之前总是有效的。

类比

人工智能中的真值维护系统可以被认为类似于图书馆中的图书管理员。图书管理员关心书籍，TMS 则处理 AI 系统中的知识，对其进行组织和维护。根据图书管理员的专业知识，书籍必须得到妥善分类和陈列，以便任何用户都能轻松获取。同样，真值维护系统可确保 AI 系统中的知识准确、相关且最新，并可供系统其余部分使用。每当获得新内容时，TMS 就会更改知识库并清除现有的不一致之处（如果存在）。同样，每当将新书带入图书馆时，图书管理员都会确保它们符合现有的编目系统。

真值维护系统的应用

学者们已经确定 TMS 在许多领域都有很多用途。TMS 的一些标准应用包括

专家系统

TMS 目前在专家系统中很有用，可以提高可用知识的一致性，并确定专家行为可能触发的影响。

例如，在医学诊断专家系统中，当新的测试结果到来时，TMS 会协助系统修改其诊断，确保系统在任何时候都只提供最佳建议。

机器人技术

因此，TMS 可应用于机器人技术，以规范传感器信息并跟踪机器人动作的影响。

自然语言处理

通过使用 TMS，可以保持文本解释的一致性，并跟踪 NLP 中文本处理的影响。

规划与调度

通过将 TMS 集成到规划和调度应用程序中，可以更轻松地进行大量完整性检查，特别是任务调度的连贯性以及计划变更影响的可追溯性。

决策支持系统

TMS 可应用于决策支持系统，以加强所做决策的协调，以便能够追踪由此产生的变化。

诊断与故障排除

不幸的是，TMS 不能充分发挥其在性能分析方面的潜力，因为性能问题不会根据 TMS 数据库查询进行调查，而 TMS 可用于诊断和故障排除应用程序，以确保诊断的一致性并跟踪故障排除工作的成果。

自主代理

当代理嵌入动态环境中时（例如，在机器人或自动驾驶汽车的 AI 系统中），默认会发生这种语义上有意义的知识变化。TMS 使这些代理能够对其操作环境保持一致的看法，从而在条件需要改变时能够采取纠正措施。

因此，例如，在自动驾驶汽车中，TMS 确保车辆能够改变其路线以应对路障，因为根据新信息；汽车将修改其关于道路状况和计划的信念。

真值维护系统的优点

一致性维护

无论新信息被纳入还是旧信息被修改，TMS 都可以确保 AI 系统的信念是准确的。它可以减少两个冲突的信念可能破坏系统有效性的情况。

解释生成

TMS 可以提供人们持有特定信念的原因，或者他们通过推导采取了某种行动的原因。这有助于使 AI 更透明，并使模型对其行为更负责。

错误检测与诊断

TMS 可以通过分析 AI 系统处理过的数据集来追溯错误的根本原因。它还可以用于查找系统中需要解决的领域。

高效推理

TMS 提高了 AI 系统中推理的效率，因为只有可能已更改的信念和操作才会对新信息做出响应。这有助于在对话中需要进行推理计算时减轻工作负载。

增量学习

TMS 能够将其新信息纳入内存，而无需重新分析整个内存，从而支持增量学习。这增强了系统可扩展和适应 AI 系统使用的可能性。

真值维护系统的缺点

然而，在使用 AI 中的真值维护系统 (TMS) 时，还需要注意以下缺点。这些包括

复杂度

TMS 不易于使用和管理，尤其是在应用程序涉及大型或复杂 AI 系统时。这可能相当复杂，通常需要大量的努力、时间和资源才能有效实施。

计算开销

TMS 会增加推理过程的复杂性，从而减慢系统速度并增加所需资源的数量。

解释生成的开销

尽管 TMS 解释生成可能很有帮助，但它增加了额外的计算负担和资源来解释系统中的每个信念和操作并进行存储，从而使 TMS 偏离了其功能。

适用性有限

TMS 可能对任何类型的 AI 应用程序都无效，并且仅适用于某些特定领域或问题类型。

有限的可扩展性

TMS 的一个显着缺点是它可能无法在大规模或复杂的知识库中有效工作。

总而言之，通过 TMS，可以严格控制 AI 系统的稳定性和文档跟踪；然而，这种方法会增加整体问题的复杂性和计算成本。因此，人们应该考虑 TMS 是否是解决特定问题时应使用的正确工具。

结论

总而言之，可以认为真值维护系统 (TMS) 对于那些不仅需要保持一致性和跟踪所有更改，还需要为人工智能 (AI) 系统提供透明度的场景来说，是一种有效的方法。TMS 可以避免系统与信念不一致，提供持有这些信念的原因、采取的行动、识别错误、纠正错误并提高理性和学习能力。

然而，在 AI 的开发中使用 TMS 也有一些缺点，包括：使用 TMS 会增加复杂性和计算开销，并且不易扩展。因此，人们必须非常小心地判断使用 TMS 来解决给定的问题是否是最佳方法，或者它带来的所有好处是否大于使用该技术带来的缺点。