Không phải tất cả AI hoạt động dựa trên mối tương quan, Mạng tin tưởng Bayes được xây dựng xung quanh xác suất mà A gây ra B.
Tôi đang làm việc trên một hệ thống để ước tính hiệu suất của học sinh đối với các câu hỏi dựa trên các màn trình diễn trước đây của họ.
Tôi không nghĩ rằng bạn cần nhân quả cho việc này. Một hiệu suất trong quá khứ không gây ra một hiệu suất hiện tại. Trả lời một câu hỏi sớm không gây ra câu trả lời cho câu hỏi sau.
Nhưng từ quan điểm chỉ xây dựng một hệ thống để chọn các câu hỏi có khả năng ở mức độ khó phù hợp - sự khác biệt này có tầm quan trọng nào không?
Không, không phải cho ví dụ của bạn. Tôi nghĩ rằng mối tương quan (hoặc thậm chí ngoại suy đơn giản) sẽ giải quyết vấn đề của bạn rất tốt. Gán một số điểm khó cho từng câu hỏi và sau đó đưa ra các câu hỏi cho học sinh ở các cấp độ ngày càng khó hơn (đó là cách hầu hết các bài kiểm tra hoạt động) và sau đó khi học sinh bắt đầu hiểu sai, bạn có thể khắc phục khó khăn. Đó là một thuật toán phản hồi tương tự như việc giảm thiểu lỗi được thực hiện trên một nơron trong một tri giác đa lớp. Các phần không nhỏ của không gian đầu vào như thế này đang quyết định câu hỏi khó là gì!
Một ví dụ tốt hơn về quan hệ nhân quả trong AI sẽ là:
Xe của tôi chạy chậm lại. Máy gia tốc của tôi ở trên sàn. Không có nhiều tiếng ồn. Có đèn trên bảng điều khiển. Xác suất mà tôi hết nhiên liệu là gì?
Trong trường hợp này, hết nhiên liệu đã khiến chiếc xe giảm tốc độ. Đây chính xác là loại vấn đề mà Bayesian Belief Networks giải quyết.