Abstraction in artificial intelligence and complex systems

انتزاع یک مکانیسم اساسی است که هم زیربنای ادراک انسانی و هم مصنوعی، بازنمایی دانش، استدلال و یادگیری است. این مکانیسم در بسیاری از رشته ها، به ویژه برنامه نویسی کامپیوتر، بینایی طبیعی و مصنوعی، سیستم های پیچیده، هوش مصنوعی و یادگیری ماشین، هنر و علوم شناختی نقش مهمی ایفا می کند. این کتاب ابتدا با مقایسه مشترکات و تفاوت‌ها، مروری بر مفاهیم انتزاع ارائه شده در رشته‌های مختلف در اختیار خواننده قرار می‌دهد. پس از بحث در مورد ویژگی‌های مشخص‌کننده انتزاع، یک مدل رسمی، مدل KRA ارائه می‌شود تا آنها را به تصویر بکشد. این مدل مفهوم انتزاع را با معرفی مجموعه ای از عملگرهای انتزاعی و الگوهای انتزاعی، قابل استفاده مجدد در حوزه ها و برنامه های مختلف، به راحتی قابل اجرا می کند. این تأثیر انتزاع در هوش مصنوعی، سیستم های پیچیده و یادگیری ماشین است که هسته اصلی کتاب را ایجاد می کند. یک چارچوب کلی، بر اساس مدل KRA ارائه شده است، و قدرت عملی آن با سه مطالعه موردی نشان داده شده است: تشخیص مبتنی بر مدل، تعمیم نقشه‌برداری، و یادگیری مدل‌های مارکوف پنهان سلسله مراتبی.

Abstraction is a fundamental mechanism underlying both human and artificial perception, representation of knowledge, reasoning and learning. This mechanism plays a crucial role in many disciplines, notably Computer Programming, Natural and Artificial Vision, Complex Systems, Artificial Intelligence and Machine Learning, Art, and Cognitive Sciences. This book first provides the reader with an overview of the notions of abstraction proposed in various disciplines by comparing both commonalities and differences. After discussing the characterizing properties of abstraction, a formal model, the KRA model, is presented to capture them. This model makes the notion of abstraction easily applicable by means of the introduction of a set of abstraction operators and abstraction patterns, reusable across different domains and applications. It is the impact of abstraction in Artificial Intelligence, Complex Systems and Machine Learning which creates the core of the book. A general framework, based on the KRA model, is presented, and its pragmatic power is illustrated with three case studies: Model-based diagnosis, Cartographic Generalization, and learning Hierarchical Hidden Markov Models.