El análisis de medios-fines [1] ( MEA ) es una técnica de resolución de problemas que se utiliza comúnmente en inteligencia artificial (IA) para limitar la búsqueda en programas de IA.
También es una técnica utilizada al menos desde la década de 1950 como herramienta de creatividad, mencionada con mayor frecuencia en libros de ingeniería sobre métodos de diseño. MEA también está relacionado con el enfoque de cadena de medios-fines que se utiliza comúnmente en el análisis del comportamiento del consumidor. [2] También es una forma de aclarar los pensamientos al embarcarse en una demostración matemática .
Un aspecto importante del comportamiento inteligente estudiado en IA es la resolución de problemas basada en objetivos , un marco en el que la solución a un problema se puede describir encontrando una secuencia de acciones que conduzcan a un objetivo deseable. Se supone que un sistema de búsqueda de objetivos está conectado con su entorno exterior mediante canales sensoriales a través de los cuales recibe información sobre el entorno y canales motores a través de los cuales actúa sobre el entorno. (El término "aferente" se usa para describir flujos sensoriales "hacia adentro" y "eferente" se usa para describir comandos motores "hacia afuera".) Además, el sistema tiene algunos medios para almacenar en una memoria información sobre el estado del entorno (información aferente) e información sobre acciones (información eferente). La capacidad para alcanzar objetivos depende de la creación de asociaciones, simples o complejas, entre cambios particulares en los estados y acciones particulares que provocarán esos cambios. La búsqueda es el proceso de descubrimiento y montaje de secuencias de acciones que conducirán de un estado determinado a un estado deseado. Si bien esta estrategia puede ser apropiada para el aprendizaje automático y la resolución de problemas, no siempre se sugiere para los humanos (por ejemplo, la teoría de la carga cognitiva y sus implicaciones).
La técnica MEA es una estrategia para controlar la búsqueda en la resolución de problemas. Dado un estado actual y un estado objetivo, se elige una acción que reducirá la diferencia entre los dos. La acción se realiza en el estado actual para producir un nuevo estado y el proceso se aplica recursivamente a este nuevo estado y al estado objetivo.
Obsérvese que, para que el MEA sea eficaz, el sistema de búsqueda de objetivos debe tener un medio para asociar a cualquier tipo de diferencia detectable aquellas acciones que sean relevantes para reducir esa diferencia. También debe tener medios para detectar el progreso que está realizando (los cambios en las diferencias entre el estado real y el deseado), ya que algunas secuencias de acciones intentadas pueden fallar y, por lo tanto, se pueden intentar algunas secuencias alternativas.
Cuando se dispone de conocimiento sobre la importancia de las diferencias, se selecciona primero la diferencia más importante para mejorar aún más el rendimiento promedio de MEA sobre otras estrategias de búsqueda de fuerza bruta. Sin embargo, incluso sin ordenar las diferencias según su importancia, MEA mejora con respecto a otras heurísticas de búsqueda (de nuevo en el caso promedio) al centrar la resolución del problema en las diferencias reales entre el estado actual y el del objetivo.
La técnica MEA como estrategia de resolución de problemas fue introducida por primera vez en 1961 por Allen Newell y Herbert A. Simon en su programa informático de resolución de problemas General Problem Solver (GPS). [3] [4] En esa implementación, la correspondencia entre diferencias y acciones, también llamadas operadores , se proporciona a priori como conocimiento en el sistema. (En GPS, este conocimiento tenía la forma de una tabla de conexiones ).
Cuando la acción y los efectos secundarios de la aplicación de un operador son comprensibles [ se necesita aclaración ] la búsqueda puede seleccionar los operadores relevantes mediante inspección de los operadores y prescindir de una tabla de conexiones. Este último caso, cuyo ejemplo canónico es STRIPS , un programa informático de planificación automatizada , permite la correlación de diferencias independiente de la tarea con los operadores que las reducen.
Prodigy, un solucionador de problemas desarrollado en un proyecto más amplio de planificación automatizada asistida por aprendizaje iniciado en la Universidad Carnegie Mellon por Jaime Carbonell, Steven Minton y Craig Knoblock, es otro sistema que utilizó MEA.
El profesor Morten Lind, de la Universidad Técnica de Dinamarca, ha desarrollado una herramienta llamada Modelado de flujo multinivel (MFM). Realiza razonamientos de diagnóstico basados en medios y fines para sistemas de automatización y control industrial. [ cita necesaria ]