Modello di transizione e modello sensoriale
Sono due modelli logici differenti, utilizzati nel settore dell'intelligenza artificiale per analizzare i passi necessari al raggiungimento di una soluzione. La differenza tra i due modelli è essenzialmente nel grado di "miopia" dell'agente razionale.
Le variabili del problema
Per quanto una macchina sia intelligente, non potrà mai essere onnisciente. Non può conoscere tutte le variabili di stato dell'ambiente operativo, né tantomeno può fare una previsione sul futuro in regime di certezza.
In alcuni casi le variabili dell'ambiente possono essere osservate direttamente. In altri casi, invece, sono impossibili da rilevare oppure la rilevazione comporta un costo eccessivo in termini di consumo di memoria e delle risorse computazionali ( complessità spaziale ) o del tempo di elaborazione ( complessità temporale ).
Il modello di transizione
Il modello di transizione è quel sistema in cui tutte le variabili determinanti per prendere una decisione sono osservate e rilevate dall'agente razionale.
L'esempio precedente mostra un modello di transizione basato su una sola variabile booleana ( R ) che assume il valore 1 se oggi piove oppure 0 se non piove .
L'agente razionale rileva la variabile R nell'istante t e formula una previsione probabilistica sulla variabile P(R) nell'istante successivo t+1.
Per semplicità l'esempio utilizza un processo di Markov del primo ordine in cui lo so stato corrente della variabile Rt è determinato soltanto dallo stato immediatamente precedente della variabile Rt-1. Il modello di transazione può comunque essere applicato anche ai processi di ordine superiore. Quanto più stati passati sono presi in considerazione, tanto maggiore è l'accuratezza del modello previsionale.
Il modello sensoriale
Il modello sensoriale è un sistema in cui soltanto alcune variabili determinanti sono osservabili e rilevabili dall'agente, mentre le altre sono sconosciute o nascoste.
Nel modello sensoriale l'agente utilizza altre variabili intermedie, direttamente osservabili, per costruire una stima probabilistica di quelle nascoste. In genere si tratta di variabili collegate a quelle del problema da una relazione di causa o di effetto, dette variabili di prova.
Ad esempio, se in una metropolitana entrano molte persone con l'ombrello in mano, probabilmente fuori sta piovendo. L'agente non ha l'informazione sulla variabile principale ( pioggia ) ma lo ipotizza osservando una variabile-effetto ( ombrello ).
Se molti portano l'ombrello, allora il modello ipotizza che fuori sta piovendo al 90% delle probabilità. In base a questa informazione P(Rt) po l'agente elabora la previsione sulla pioggia nel giorno successivo P(Rt+1).
Anche nel modello di transizione l'agente formula delle previsioni sul futuro in regime di incertezza ma per farle utilizza le variabili del problema.
Esempio di modello sensoriale
L'agente razionale non può vedere se oggi piove o meno. Tuttavia, sa con certezza che ieri ha piovuto (R0=1) e pochi oggi portano l'ombrello. Pertanto la probabilità che oggi piova è pari a P(R1|R0) P(R1|U1) ossia 0,56. Una volta calcolata la probabilità di pioggia nel presente, può stimare anche la probabilità di pioggia nel futuro P(R2|P(R1|R0) P(R1|U1)).
- Come migliorare l'accuratezza della previsione? La previsione può essere migliorata in modo verticale considerando un maggior numero di stati del passato per ciascuna variabile, oppure in modo orizzontale prendendo in considerazione anche altre variabili addizionali oltre quelle già in esame. Queste soluzioni implicano però un maggiore costo in termini di complessità computazionale.
