V:
Kako se končni državni stroj uporablja v umetni inteligenci?
A:Stroji s končnim stanjem (FSM) so računski modeli, ki jih določa seznam edinstvenih stanj, ki jih je mogoče izbrati samo enega za drugim. Na kratko, FSM so preproste, a elegantne rešitve za izgradnjo AI, kjer je stroj kadar koli lahko le v enem stanju in lahko samo preide iz enega v drugo stanje s prehodom, ko prejme vhod. Najbolj tradicionalen primer je semafor, ki po določenem času preide iz zelene v rumeno in iz rumene v rdečo. V tem primeru je vhod predstavljen s časom, vendar ni vključen noben pravi AI, saj je naprava popolnoma pasivna. Le če bi semafor lahko odreagiral mimoidoče, bi se lahko vključil AI.
FSM se v industriji video iger na splošno uporabljajo zaradi svoje enostavnosti in predvidljivosti za podporo osnovnega, vendar funkcionalnega AI. Na primer, v veliki meri jih uporabljajo v akcijskih igrah in igrah RPG igralci, ki jih ni mogoče igrati (NPC). Sorazmerno preprost model AI je zgrajen tako, da lahko določen NPC (običajno sovražnik) izbere samo določeno vedenje - recimo napad, beg, obrambo, zaznavanje itd. Uporabljajo se lahko tudi za glavne junake, na primer, ko igralec dobi napajanje ali bonus ali za modeliranje uporabniškega vmesnika in nadzornih shem v platforming igrah (za nastavitev krčevitih stanj ali načina hitrega ognja).
FSM se lahko uporabljajo za ustvarjanje realističnih simulacij programske opreme in komunikacijskih protokolov za namene kibernetske varnosti. FSM modeli ranljivih operacij so ustvarjeni za razumevanje vseh možnih podvigov in omogočajo AI, da najde najboljše rešitve za njihovo ublažitev. Te simulacije se uporabljajo za preskušanje in oceno varnostnih protokolov, njihove robustnosti in varnostne drže sistema. Pozneje jih je mogoče uporabiti za oblikovanje politik kibernetske varnosti in najboljših praks.
FSM so bili uporabljeni tudi na področju računalniške lingvistike za izdelavo orodij za obdelavo naravnih jezikov (NLP) in chatbotov z mešanimi rezultati. Naravni človeški jezik pa je v kontekstu poln nejasnosti, ki jih drugi ljudje zlahka sklepajo med pogovori v resničnem življenju (ali celo med branjem besedila). FSM poskušajo jezik razčleniti z determiniranim pristopom, ki je pogosto preveč tog, da bi lahko pravilno ravnali z naravnimi pogovori, zato sta statistični sklepni sklep in teorije odločanja običajno najprimernejša načina. FSM še vedno predstavljajo dobro osnovo, na kateri so v preteklosti gradili preprost, a učinkovit NLP AI. V programski opremi in aplikacijah, kjer so dialogi trdo kodirani znotraj izvorne kode določenega programskega jezika, pa je mogoče FSM uporabiti dovolj učinkovito.