REASON ING Η Συλλογιστική, είναι η πράξη εξαγωγής συμπερασμάτων από συγκεκριμένες υποθέσεις χρησιμοποιώντας μία δοθείσα μεθοδολογία. Στην ουσία είναι η ίδια η διαδικασία της σκέψης, μία λογική διαμάχη, η παραγωγή συμπερασμάτων. Οταν ένα σύστημα (Τεχνητής νοημοσύνης για παράδειγμα) καλείται να κάνει μία δράση, χωρίς να του έχει δοθεί επακριβώς ο τρόπος με τον οποίο θα την εκτελέσει, πρέπει να «συλλογιστεί». Πρέπει δηλαδή να «καταλάβει» τι χρειάζεται «γνωρίζει», από αυτά που ήδη «γνωρίζει». Πολλοί τύποι Συλλογιστικής έχουν εντοπιστεί και αναγνωριστεί, αλλά ακόμα εγείρονται ζητήματα όσον αφορά τις λογικές και υπολογιστικές τους ικανότητες. Οι πιο δημοφιλείς μέθοδοι Συλλογιστικής περιλαμβάνουν υπόθεση/παραγωγή, επαγωγή, συλλογισμό βάση μοντέλου, επεξήγηση και επιβεβαίωση. Όλες είναι άμεσα συνδεδεμένες με προβλήματα αναθεώρησης πεποιθήσεων και ανάπτυξης θεωριών (belief revision and theory development), αφομοίωσης γνώσης (knowledge assimilation), ανακάλυψης (discovery) και εκμάθησης (learning). Reasoning is the act of deriving conclusion from specific premises using a given methodology. It is actually the same process as thinking, a logical debate, the drawing of inference. When a system (an A.I. system for instance) is required to do something that it has not been explicitly told how to do, it has to reason. It has to understand what it needs to know, from what it already knows. Many types of Reasoning have been recognized and acknowledged, but there are still issues regarding their logical and computational skills. The most popular methods of Reasoning include abduction, deduction, model-based reasoning, explanation and confirmation. All of them are intimately related to problems of belief revision and theory development, knowledge assimilation, discovery and learning.
*Η Αναπαράσταση Γνώσης και Συλλογιστικής είναι τομέας της Τεχνητής νοημοσύνης που ασχολείται με το πώς η γνώση μπορεί να αναπαρασταθεί συμβολικά και να χρησιμοποιηθεί με ένα αυτοματοποιημένο τρόπο. Λαμβάνεται σαν δεδομένο ότι αυτό που επιτρέπει στους ανθρώπους να συμπεριφέρονται «έξυπνα», είναι οι πολλές γνώσεις τους, για πολλά πράγματα και η ικανότητά τoυς να εφαρμόζουν αυτή τη γνώση αυτή με τέτοιο τρόπο ώστε να προσαρμόζονται στο περιβάλλον και να πετυχαίνουν τους στόχους τους. Έτσι ο τομέας της Αναπαράστασης Γνώσης και Συλλογιστικής επικεντρώνεται στην γνώση και όχι στον γνώστη. Αναπτύσσονται έτσι Παραγωγικά συστήματα που επιχειρούν να μοντελοποιήσουν τη γνώση που έχει ο άνθρωπος και τη μέθοδο συλλογισμού που ακολουθεί ο ανθρώπινος νους. *Σαν σύστημα επιτρέπει την εξαγωγή νέων συμπερασμάτων ή έμμεσων πληροφοριών από τα αρχικά δεδομένα. Είναι επίσης απαραίτητο για την πρόκληση δράσεων ή προσαρμογών ανάλογα με τις συνθήκες που μπορεί να έχουν σημασία για κάποια εφαρμογή. *Είναι επίσης ο συνδετικός κρίκος ανάμεσα στην πραγματικότητα και σε έναν αλγόριθμο. Χωρίς αυτό το σύστημα, οποιoδήποτε λογισμικό, αδυνατεί να προσαρμοστεί σε μεταβαλλόμενα δεδομένα. Στην πραγματικότητα, ό,τι λαμβάνουν οι αισθητήρες και οι αντίστοιχες αντιδράσεις τους, παρέχουν συνδέσμους ανάμεσα στον αλγόριθμο και τον πραγματικό κόσμο στον οποίο αυτοί λειτουργούν. Προκειμένου αυτοί οι αλγόριθμοι να είναι αποκρίσιμοι, προσαρμόσιμοι και επωφελείς για τους χρήστες, πρέπει να πραγματοποιηθεί μία σειρά από συλλογισμούς.
*Σχεδιασμός Βάση Μοντέλου Ένα χαρακτηριστικό που διαχωρίζει τους υπολογιστικούς αλγόριθμους γενικά, από αυτούς που αποκρίνονται στον χρήστη, είναι η ικανότητά τους να «μοντελοποιούν» την συμπεριφορά του χρήστη. Αν μπορεί να σχεδιαστεί ένα τέτοιο μοντέλο, μπορεί να χρησιμοποιειθεί για να εξατομικεύσει την συμπεριφορά του λογισμικού της Τεχνητής νοημοσύνης ως προς τον χρήστη. *Πρόβλεψη και αναγνώριση δραστηριότητας Μία ακόμα συνεισφορά των αλγόριθμων συλλογιστικής, είναι η ικανότητά τους να προβλέπουν και να αναγνωρίζουν δραστηριότητες που συμβαίνουν στα περιβάλλοντα Τεχνητής Νοημοσύνης. Πολύ από αυτή την δουλειά έχει πραγματοποιηθεί σε έρευνες έξυπνου περιβαλλοντος, όπου η εφαρμογή Τεχνητής Νοημοσύνης επικεντρώνεται σε ένα μεμονωμένο περιβάλλον το οποίο έχει εξοπλιστεί με αισθητήρες και έχει σχεδιαστεί να βελτιώσει την εμπειρία της κατοίκησης στο περιβάλλον αυτό. Τα παραδείγματα αυτών των εργασιών αναγνώρισης, ασχολούνται κυρίως με πολύ βασικές υπηρεσίες που το σύστημα τεχνητής νοημοσύνης αναμένεται να πραγματοποιήσει *Λήψη αποφάσεων Τα τελευταία χρόνια, υποστηρικτικές τεχνολογίες που αφορούν την Τεχνητή Νοημοσύνη, έχουν αναδυθεί, ωριμάσει και ανθίσει. Το να χτίσεις όμως μία πλήρως αυτοματοποιημένη εφαρμογή Τεχνητής Νοημοσύνης σε αυτές τις βάσεις εξακολουθεί να είναι σπάνιο. Η αυτοματοποιημένη λήψη αποφάσεων και οι τεχνικές ελέγχου είναι διαθέσιμες για αυτό το εγχείρημα. Λίγες πλήρως εφαρμοσμένες εφαρμογές τεχνολογίας λήψης αποφάσεων έχουν πραγματοποιηθεί. Μία από τις πρώτες είναι το Mozer s Adaptive Home, το οποίο χρησιμοποιεί ένα νευρικό δίκτυο και έναν ενθαρυμένο μαθητευόμενο ώστε να ορίσει ιδανικές ρυθμίσεις για φωτισμό και κλιματισμό στην κατοικία.
*Χωρικός- χρονικός συλλογισμός Πολύ λίγα πράγματα μπορούν να γίνουν σε ένα σύστημα Τεχνητής Νοημοσύνης χωρίς άμεση ή έμμεση αναφορά στον τόπο και στο χρόνο τα γεγονότα που έχουν σημασία συμβαίνουν. Για να πάρει ένα σύστημα λογικές αποφάσεις, πρέπει να γνωρίζει που είναι οι χρήστες αλλά και που βρίσκονταν για μία χρονική περίοδο. Αυτές οι γνώσεις, μαζί με άλλες πληροφορίες, θα παρέχουν σημαντικά στοιχεία για τον τύπο των δραστηριοτήτων με τις οποίες ο χρήστης ασχολείται καθώς επίσης και τις πιο ικανοποιητικές αντιδράσεις από μεριάς συστήματος. Ο χωρικός- χρονικός συλλογισμός είναι δύο βασικά πεδία του τομέα της Τεχνητής Νοημοσύνης. Έχουν υπάρξει αντικείμενο έντονης έρευνας για περίπου δύο δεκαετίες και υπάρχουν πολύ γνωστοί σχηματισμοί και αλγόριθμοι που αφορούν τον χωρικό, χρονικό και χωροχρονικό συλλογισμό. * Άλλα παραδείγματα MavHome smart home project (Managing An intelligent Versatile Home project): Είναι ένα πολυ-πειθαρχικό ερευνητικό εγχείρημα των Washington State University και University of Texas, που επικεντρώνεται στη δημιουργία ενός έξυπνου περιβάλλοντος κατοίκησης. Η προσέγγιση των ερευνητών, είναι να αντιλαμβάνονται το έξυπνο σπίτι (smart home) σαν ένα παράγοντα (agent) που αντιλαμβάνεται το περιβάλλον του μέσω της χρήσης αισθητήρων και μπορεί να δράσει σε αυτό μέσω της χρήσης ενεργοποιητών (actuators). Το σπίτι έχει συγκεκριμένους συνολικούς στόχους, όπως την ελαχιστοποίηση του κόστους συντήρησης του σπιτιού και τη μεγιστοποίηση της άνεσης των κατοίκων του. Προκειμένου να καταφέρει αυτούς τους στόχους το σπίτι πρέπει να έχει την ικανότητα να συλλογιστεί και να προσαρμοστεί σύμφωνα με συγκεκριμένες πληροφορίες που του παρέχονται. Ένα ακόμα παράδειγμα χρήσης των συστημάτων συλλογιστικής από τον Αμερικανικό στρατό (DARPA), το οποίο παρέχει μία πολύ κατανοητή εικόνα του τρόπου λειτουργίας ενός συστήματος συλλογιστικής.