Role automatizovaného plánování v obecné umělé inteligenci

Abstract

Propojení symbolické umělé inteligence a metod strojového učení je dlouhodobě předmětem výzkumu s cílem vytvořit plně autonomní systém pro řešení problémů, tzv. obecnou umělou inteligenci (AGI). Tato disertační práce přispívá k řešení této výzvy zkoumáním vztahu mezi klasickým plánováním a neuronovými sítěmi (NN), konkrétně využitím naučených informací ke zlepšení algoritmů klasického plánování. Na jedné straně disponujeme robustními metodami klasického plánování, jejichž použití však vyžaduje ruční modelování problémů. Na straně druhé stojí neuronové sítě, které dokážou řešit široké spektrum úloh, avšak postrádají schopnost vícekrokového sekvenčního uvažování potřebného pro plánování. Kombinací těchto dvou přístupů se snažíme překonat obtíže spojené s modelováním a rozšířit možnosti klasického plánování prostřednictvím využití naučených informací.Předkládaná práce se zaměřuje na výzkum v této oblasti. Věnuje se výzvám, které v rámci této problematiky vyvstávají, jako je reprezentace plánovacích problémů vyplývající z modelování pro klasické plánování, a rovněž se zabývá otázkou dostupnosti plánovacích algoritmů v praktických aplikacích. Soustředí se na úlohy plánování na mřížce, přičemž analyzuje jejich výhody i omezení. Dále představuje novou sadu trojrozměrných reprezentací, které jsou vhodné pro strojové učení v kontextu klasického plánování a zároveň nabízí intuitivní popis plánovacích problémů. V neposlední řadě navrhuje ručně vytvářené i automatizované reprezentace určené pro učení v prostředí, které postrádá implicitní mřížkovou strukturu, čímž se přibližuje cíli vytvoření plně doménově nezávislého přístupu.Zaměřujeme se na učení stavových přechodů a učení heuristických funkcí, přičemž klademe důraz na druhou oblast. Učení heuristik tvoří podstatnou část naší práce, kdy jsme přešli od využívání běžně dostupných architektur určených pro různé úlohy k upravené architektuře přizpůsobené učení heuristických funkcí pro problémy klasického plánování na mřížkách, a později dokonce i pro problémy bez implicitně definovaných mřížkových struktur.Poskytujeme experimentální vyhodnocení představených přístupů, porovnáváme jejich výkonnost se současnými špičkovými metodami a detailně diskutujeme dosažené výsledky.

The connection between symbolic artificial intelligence and machine learning techniques has been explored for years in hopes of finding a way to create a fully autonomous problemsolving AGI (general artificial intelligence) system. We contribute to solving this challenge by exploring the connection between classical planning and neural networks (NN) in the form of using the learned information to improve classical planning algorithms. On the one hand, we have robust classical planning methods, but we need to model problems manually in order to use them. On the other hand, we have neural networks that are capable of solving various tasks but do not possess the same reasoning power for multistep sequential problem solving. Therefore, by combining these two approaches, we aim to overcome modeling difficulties and improve classical planning methods through learned information. This thesis focuses on research in this area. It addresses the challenges that arise in this research, such as the representation of planning problems that stems from modeling for classical planning, and also examines the issue of the availability of planning algorithms in real-world applications. We focus on grid-based planning problems and analyze their advantages and limitations. Furthermore, we introduce a new set of 3D representations that are suitable for machine learning in the context of classical planning, while also providing an intuitive problem representation. Finally, we develop both manuály crafted and automated representations for learning with problems that lack an implicit grid structure, thereby moving closer to creating a fully domain-independent approach. We focus on state-transition learning and heuristic function learning, with an emphasis on the latter direction. Heuristic learning covers a great part of our work as we went from using off-shelf architectures meant for different tasks to a curated architecture that was modified to learn heuristic functions for classical planning problems on grids and later on even in domain-independent setting. We provide experimental evaluations for the introduced approaches, compare their performance to existing state-of-the-art methods, and provide a detailed discussion of the achieved results.