Читать книгу: «Искусственный интеллект. Основные понятия», страница 2

С развитием вычислительной техники в 20 веке появилась возможность создания программ, направленных на решение разнообразных задач, превышающих рамки простого выполнения математических операций. Помимо развития компьютеров, активно развивалась и теория вычислений, что позволяло создавать эффективные алгоритмы для решения различных задач.

Одним из ключевых направлений стало создание программ для логического вывода. Эти программы были способны автоматически принимать решения на основе заданных логических правил и условий. Такие системы нашли применение в автоматизации логических рассуждений и управлении базами знаний.

Вместе с этим стали развиваться и программы для анализа данных. Они позволяли эффективно обрабатывать большие объемы информации и извлекать из нее полезные знания и закономерности. Эти программы нашли широкое применение в различных областях, от бизнеса и финансов до науки и медицины.

Еще одним важным направлением стало развитие программ обработки естественного языка. Эти программы позволяли компьютерам понимать и анализировать тексты на естественных языках, что открыло двери к созданию диалоговых систем и различных приложений для работы с текстовой информацией.

Помимо практических приложений, развивались и теоретические основы искусственного интеллекта. Области, такие как символьное вычисление, машинное обучение и нейронные сети, получили значительное внимание и стали основой для создания более сложных и интеллектуальных систем.

Таким образом, рождение вычислительной техники и публикация работ, таких как Тьюринговский тест, положили начало развитию искусственного интеллекта как самостоятельной научной дисциплины. Этот период истории является ключевым для понимания происхождения и развития искусственного интеллекта до его современных форм и приложений.

Первые программы искусственного интеллекта

1956 год считается ключевым для начала систематического изучения и развития искусственного интеллекта, когда на конференции в Дартмутском колледже было официально объявлено о создании новой области исследований. Это событие стало отправной точкой для множества исследований и разработок в этой области. Организаторы конференции, включая Джон Маккарти, Марвин Мински, Аллен Ньюэлл и Херберт Саймон, предложили новые подходы к созданию интеллектуальных машин и программ.

С этого момента начали появляться первые программы, которые можно было отнести к области искусственного интеллекта. Эти программы, хотя и оставались довольно примитивными по современным стандартам, открывали новые перспективы и возможности для компьютеров. Одним из первых и самых известных примеров таких программ сталы программы для игры в шахматы. Уже в 1950-х годах исследователи начали разрабатывать программы, которые могли играть в шахматы на уровне, сравнимом с человеком.

Программы для игры в шахматы, созданные в начале развития искусственного интеллекта, использовали различные алгоритмы и стратегии для принятия решений и выбора ходов. Несмотря на ограниченные вычислительные ресурсы того времени, исследователи смогли разработать эффективные подходы к игре в шахматы.

Одним из основных алгоритмов, применяемых в этих программах, был алгоритм поиска по дереву игры, который позволял компьютеру рассматривать различные варианты ходов и их последствия на несколько шагов вперед. Этот алгоритм позволял оценивать возможные ходы и выбирать тот, который, по мнению программы, приводил к наилучшему результату.

Кроме того, программы использовали эвристические методы принятия решений. Эвристика – это метод решения задачи, основанный на опыте и интуиции, который позволяет принимать быстрые и приблизительные решения при недостаточной информации. В контексте игры в шахматы эвристические методы могли включать в себя оценку положения фигур на доске, приоритизацию важных ходов и учет тактических возможностей.

Эти программы были основаны на сочетании алгоритмов поиска и эвристических методов, которые позволяли компьютеру принимать обоснованные решения в условиях неопределенности и ограниченных ресурсов. Эти ранние шаги в области искусственного интеллекта стали отправной точкой для дальнейшего развития искусственного интеллекта и игровых программ. Несмотря на ограниченный объем вычислительных ресурсов того времени, эти программы представляли собой значительное достижение в области искусственного интеллекта и стимулировали дальнейшие исследования в этой области.

Так период с конференции в Дартмутском колледже в 1956 году до конца 1950-х и начала 1960-х годов был периодом первых шагов и прорывов в развитии искусственного интеллекта, когда были созданы и начали активно применяться первые программы, способные решать некоторые ограниченные задачи.

Эпоха экспертных систем

В 1970-80-х годах научное сообщество активно обратило внимание на развитие экспертных систем, что привело к наступлению эпохи экспертных систем в истории искусственного интеллекта. Экспертные системы представляли собой программные приложения, разработанные для решения сложных задач в определенной предметной области, путем имитации рассуждений и принятия решений, аналогичных тем, которые принимают эксперты в этой области.

Одной из основных характеристик экспертных систем была их способность использовать знания и опыт экспертов для принятия решений. Экспертные системы строились на основе баз знаний, которые содержали информацию о правилах, процедурах и эвристиках, используемых экспертами при решении задач в своей области. Эти знания формализовались и представлялись в виде базы знаний внутри компьютерной программы.

Экспертные системы, в своей основе, использовали различные методы инференции для принятия решений на основе имеющихся знаний. Одним из таких методов были правила вывода, которые представляли собой логические правила, определяющие связи между фактами и выводами. Экспертные системы использовали эти правила для выявления связей между данными и принятия решений на основе этих связей.

Другим важным методом были цепочки рассуждений, которые представляли собой последовательность логических шагов, приводящих к выводу на основе имеющихся фактов и правил. Экспертные системы могли использовать цепочки рассуждений для анализа информации и выведения новых фактов или рекомендаций на основе имеющихся знаний.

Кроме того, экспертные системы были способны взаимодействовать с пользователями, задавая им вопросы для получения дополнительной информации или уточнения условий задачи. Это позволяло системам получить необходимые данные для принятия решений и давать пользователю более точные и полезные рекомендации или прогнозы.

Экспертные системы нашли широкое применение в различных областях, благодаря своей способности к адаптации к различным предметным областям. Они были успешно применены в медицине для диагностики заболеваний и выбора методов лечения, в финансах для анализа рынков и принятия инвестиционных решений, в инженерном деле для проектирования и управления производственными процессами, а также в управлении производством для планирования производственных операций и оптимизации ресурсов.

Однако, несмотря на свои достижения, экспертные системы также имели некоторые ограничения. Они часто оказывались ограниченными в способности адаптироваться к новым ситуациям и изменениям в окружающей среде. Тем не менее, эпоха экспертных систем оставила значительный след в истории искусственного интеллекта, показав, что компьютеры могут успешно использовать знания и опыт людей для решения сложных задач в различных областях.

Нейронные сети и глубокое обучение

В конце 20 века и особенно в начале 21 века нейронные сети и методы глубокого обучения привлекли широкое внимание научного и технического сообщества. Нейронные сети моделируют структуру и функционирование нейронных сетей в человеческом мозге, где информация передается между нейронами через связи. Глубокое обучение, в свою очередь, представляет собой подход к машинному обучению, который использует многослойные нейронные сети для извлечения высокоуровневых признаков из данных.

Этот период принес значительные успехи в области искусственного интеллекта. Нейронные сети и глубокое обучение применяются в различных областях, включая распознавание образов, обработку естественного языка, компьютерное зрение, рекомендательные системы, анализ данных и многие другие. Они позволили существенно улучшить точность и эффективность решения сложных задач, которые ранее считались трудными для автоматизации.

Например, в области распознавания образов нейронные сети и глубокое обучение добились впечатляющих результатов, превзойдя человеческие способности в таких задачах, как распознавание лиц, классификация изображений и даже игра в компьютерные игры. В обработке естественного языка они позволили создать мощные модели для автоматического перевода, семантического анализа текста, генерации текста и многих других приложений.

Нейронные сети и глубокое обучение играют ключевую роль в современном искусственном интеллекте, приводя к значительному улучшению результатов во многих областях и открывая новые перспективы для развития технологий и приложений.

Современные технологии и приложения

Современные технологии искусственного интеллекта проникают в различные отрасли и области человеческой деятельности, оказывая значительное влияние на способы работы и взаимодействия. В медицине искусственный интеллект используется для диагностики заболеваний на основе анализа медицинских изображений, предсказания рисков развития заболеваний на основе медицинских данных и персонализации лечения с учетом индивидуальных характеристик пациента.

В финансовой сфере искусственный интеллект применяется для анализа рынков, прогнозирования трендов, управления портфелями инвестиций и риск-менеджмента. Алгоритмы машинного обучения позволяют автоматизировать процессы принятия решений, что увеличивает эффективность торговых операций и уменьшает риски для финансовых институтов и инвесторов.

В автомобильной промышленности искусственный интеллект используется для разработки автономных транспортных средств, оптимизации дорожного движения, управления транспортными потоками и повышения безопасности на дорогах. Эти технологии позволяют автомобилям обнаруживать и предотвращать аварийные ситуации, а также улучшают комфорт и удобство вождения.

В маркетинге и рекламе искусственный интеллект используется для анализа данных о потребителях, персонализации контента и рекламных предложений, прогнозирования спроса и оптимизации маркетинговых кампаний. Это позволяет компаниям лучше понимать своих клиентов и эффективнее взаимодействовать с ними.

В игровой индустрии искусственный интеллект применяется для создания реалистичных виртуальных миров, управления поведением виртуальных персонажей, оптимизации графики и улучшения игрового процесса. Алгоритмы машинного обучения позволяют создавать более умных и адаптивных противников и союзников, что делает игровой опыт более интересным и захватывающим.

Таким образом, современные технологии искусственного интеллекта находят широкое применение в различных областях, изменяя способы работы и жизни людей, и продолжают развиваться, открывая новые возможности и перспективы для применения в будущем.

Глава 2: Основные Концепции и Термины

2.1 Агенты и окружение

В контексте искусственного интеллекта, агенты представляют собой сущности, обладающие способностью воспринимать окружающую среду и принимать решения на основе этой информации.

Типы агентов

Агент в контексте искусственного интеллекта – это сущность, которая способна воспринимать окружающую среду через свои сенсоры, принимать решения и действовать в этой среде через свои актуаторы. Агенты могут быть как физическими сущностями, такими как роботы, автономные автомобили или дроны, так и виртуальными сущностями, реализованными в программном обеспечении. Ключевой характеристикой агента является его способность к автономному принятию решений и выполнению действий в соответствии с целями или задачами, которые ему были поставлены. Важно отметить, что агенты могут действовать как индивидуально, так и в кооперации с другими агентами, обмениваясь информацией и координируя свои действия для достижения общих целей.

В области искусственного интеллекта существует множество различных типов агентов, каждый из которых обладает своими уникальными характеристиками и способностями. Начиная от простых реактивных агентов и заканчивая более сложными моделями, эти агенты играют важную роль во многих областях приложений и исследований.

Простые реактивные агенты действуют на основе непосредственной обратной связи от окружающей среды. Они реагируют на текущее состояние окружения, но не сохраняют информацию о прошлых действиях или состояниях. Примером таких агентов может служить робот-пылесос, который осуществляет движение и управление на основе обнаруженных препятствий и звуковых сигналов.

Более сложные агенты обладают внутренним состоянием и способностью моделировать свое окружение. Они могут сохранять информацию о прошлых действиях и состояниях, что позволяет им принимать более интеллектуальные решения. Примерами таких агентов являются игровые боты, которые используют обучение с подкреплением для адаптации к стратегиям оппонентов и повышения своей эффективности в игре, а также экспертные системы, которые анализируют базу знаний для предоставления рекомендаций или решения сложных проблем.

В различных областях применения искусственного интеллекта агенты играют ключевую роль, обеспечивая выполнение разнообразных задач и решение сложных проблем. В робототехнике агенты часто выступают в роли управляющих систем, контролирующих движение и взаимодействие роботов с окружающей средой. Эти агенты могут быть как простыми, реагирующими на обнаруженные препятствия, так и более сложными, использующими алгоритмы машинного обучения для адаптации к различным условиям и ситуациям.

В игровой индустрии агенты широко применяются для создания виртуальных персонажей, которые обладают уникальным поведением и стратегиями в зависимости от сценария игры. Эти агенты могут использовать различные методы и алгоритмы, такие как обучение с подкреплением или генетические алгоритмы, для улучшения своей эффективности и адаптации к игровой ситуации.

В области экспертных систем агенты выступают в роли интеллектуальных помощников, предоставляя рекомендации или решения на основе имеющихся знаний и опыта. Экспертные системы могут использовать различные методы рассуждения и логического вывода для анализа данных и выработки решений в различных областях, таких как медицина, финансы или юриспруденция.

Понимание различных типов агентов и их способностей играет важную роль в разработке и применении систем искусственного интеллекта в различных областях. Это позволяет создавать более эффективные и адаптивные системы, способные эффективно решать широкий спектр задач и справляться с изменяющимися условиями и требованиями.

В области искусственного интеллекта существует несколько типов агентов, каждый из которых имеет свои характеристики и способности. Ниже перечислены основные типы агентов:

1. Простые реактивные агенты: Эти агенты действуют на основе непосредственной обратной связи от окружающей среды. Они реагируют на текущее состояние окружения без сохранения информации о прошлых действиях или состояниях.

2. Агенты с внутренним состоянием: Эти агенты обладают внутренним состоянием, которое позволяет им сохранять информацию о прошлых действиях и состояниях. Они могут использовать эту информацию для принятия более сложных решений и адаптации к изменяющейся среде.

3. Рациональные агенты: Рациональные агенты принимают решения с целью максимизации ожидаемого выигрыша или достижения определенных целей. Они действуют оптимально с учетом имеющейся информации и ожидаемых результатов.

4. Автономные агенты: Эти агенты обладают некоторой степенью автономии и способны действовать независимо от внешнего контроля. Они могут принимать решения и осуществлять действия без постоянного участия человека.

5. Социальные агенты: Эти агенты способны взаимодействовать с другими агентами в социальной среде. Они могут обмениваться информацией, координировать свои действия и сотрудничать для достижения общих целей.

6. Экспертные агенты: Эти агенты используют базы знаний и экспертные системы для принятия решений в определенной области знаний. Они могут анализировать информацию, проводить рассуждения и делать выводы на основе имеющихся данных и правил.

7. Мультиагентные системы: Это системы, состоящие из нескольких агентов, которые работают вместе для решения сложных задач. Каждый агент в мультиагентной системе может иметь свои собственные цели и способности, а также взаимодействовать с другими агентами для достижения общих целей.

8. Адаптивные агенты: Эти агенты обладают способностью к адаптации к изменяющимся условиям и требованиям окружающей среды. Они могут изменять свое поведение или стратегии в ответ на новую информацию или изменения в среде.

9. Мобильные агенты: Это агенты, которые способны перемещаться между различными вычислительными устройствами или средами. Они могут передвигаться, чтобы выполнить задачи или получить доступ к ресурсам, распределенным по сети.

10. Виртуальные агенты: Эти агенты существуют и действуют в виртуальных средах, таких как виртуальные миры или симуляции. Они могут взаимодействовать с пользователями или другими агентами в виртуальном пространстве и выполнять различные задачи.

Это лишь некоторые из основных типов агентов в области искусственного интеллекта. В зависимости от конкретного контекста и задачи могут существовать и другие типы агентов или их комбинации.

Моделирование окружения

Моделирование окружения играет ключевую роль в разработке и реализации систем искусственного интеллекта. Этот процесс включает в себя выбор подходящей абстракции для представления окружающей среды, а также методов оценки и обновления ее состояния. Различные формализации окружения могут быть использованы в зависимости от конкретной задачи и характеристик среды.

Одним из наиболее распространенных подходов к моделированию окружения является использование графов и сетей. В этом случае вершины графа представляют собой объекты в окружающей среде, а ребра – связи между ними. Использование графов и сетей для моделирования окружения предоставляет инструмент для анализа и визуализации сложных взаимодействий между объектами в среде.

Преимуществом такого подхода является возможность эффективного моделирования сложных структур и взаимосвязей в окружающей среде. Например, в контексте социальных сетей вершины могут представлять пользователей, а ребра – связи между ними (например, дружба, подписка и т. д.). В графе знаний вершины могут представлять понятия или объекты, а ребра – их логические связи или ассоциации.

Этот подход также обеспечивает удобный инструмент для анализа структуры среды и выявления важных паттернов и зависимостей. С помощью методов анализа графов можно выявлять ключевые узлы, выявлять сообщества или кластеры объектов, а также оценивать важность или центральность различных элементов среды.

Использование графов и сетей для моделирования окружения предоставляет эффективный и гибкий инструмент для анализа сложных взаимодействий и структур в среде, что позволяет разработчикам и исследователям получать глубокое понимание окружающего мира и использовать это знание для принятия решений и планирования действий.

Матрицы или табличные структуры данных представляют собой еще один распространенный способ формализации окружения в контексте искусственного интеллекта. В этом подходе информация о состояниях и действиях агентов обычно представлена в виде таблицы, где строки соответствуют различным состояниям среды, а столбцы – возможным действиям агента или внешним воздействиям.

Одним из преимуществ такого подхода является его простота и эффективность при обработке и хранении данных. Матрицы могут легко масштабироваться для обработки больших объемов информации и быстро обновляться при изменении состояния среды или действиях агента.

Такие табличные структуры данных часто используются в контексте обучения с подкреплением, где агенту необходимо принимать решения на основе текущего состояния среды и ожидаемых вознаграждений. Путем обновления значений в таблице Q-значений, например, агент может постепенно улучшать свою стратегию действий и находить оптимальные решения для достижения своих целей.

Однако структуры данных в виде матриц или таблиц могут оказаться неэффективными в случае большого числа возможных состояний или действий, а также при наличии непрерывных или сложных пространств состояний. В таких случаях часто применяются более сложные методы, такие как нейронные сети или аппроксимационные методы, которые позволяют более гибко моделировать окружение и принимать решения на основе входных данных.

В процессе моделирования окружения важным аспектом является способность агента оценивать и обновлять состояние окружающего мира на основе новой информации. Это необходимо для того, чтобы адекватно реагировать на изменения в среде и принимать обоснованные решения в реальном времени. Оценка и обновление состояния окружающего мира может происходить в различных форматах, в зависимости от используемой модели и типа агента.

В случае использования матриц состояний, агенты могут обновлять значения в соответствующих ячейках матрицы в зависимости от наблюдаемых изменений в среде. Например, если агент обнаруживает, что выполнение определенного действия приводит к положительному или отрицательному результату, соответствующее значение в матрице может быть корректировано для учета этого опыта.

В случае использования графов или сетей для моделирования окружения, обновление состояния может включать в себя изменение связей между узлами графа в соответствии с новыми наблюдениями или действиями агента. Например, если агент взаимодействует с новым объектом в среде или обнаруживает новую связь между объектами, соответствующая связь в графе может быть добавлена или изменена для отражения этого.

Важно, чтобы процесс оценки и обновления состояния окружающего мира был регулярным и адаптивным, чтобы агент мог эффективно адаптироваться к изменениям в среде и улучшать свои стратегии и решения на основе новой информации. Это помогает обеспечить эффективное функционирование искусственного интеллекта в различных задачах и сценариях, где окружающая среда может быть динамичной и изменчивой.

Таким образом, моделирование окружения представляет собой важный этап в процессе разработки систем искусственного интеллекта, который позволяет эффективно представлять и анализировать информацию о среде и использовать ее для принятия решений и планирования действий.

Восприятие и воздействие

Восприятие и воздействие являются ключевыми аспектами взаимодействия агента с его окружением в контексте искусственного интеллекта. Восприятие относится к способности агента воспринимать информацию о окружающей среде с помощью различных сенсоров, датчиков и других устройств. Эти устройства могут быть разнообразными и включать в себя камеры, микрофоны, радары, лидары и многие другие сенсоры, предоставляющие агенту данные о его окружении.

Для эффективного функционирования агенту необходимо иметь возможность интерпретировать полученную информацию и адаптировать свое поведение в соответствии с ней. Это может включать в себя распознавание объектов, определение их расположения и движения, анализ связей и зависимостей в окружающей среде и многое другое. Важно, чтобы агент обладал механизмами обработки и анализа полученных данных, чтобы принимать информированные решения и действовать эффективно.

Воздействие, с другой стороны, относится к способности агента влиять на свою окружающую среду через актуаторы и механизмы управления. Эти устройства могут включать в себя двигатели, моторы, приводы, клапаны и другие механизмы, которые позволяют агенту выполнять действия и воздействовать на объекты в среде.

В контексте робототехники примером способности агента воздействовать на окружающую среду может служить мобильный робот, оснащенный манипулятором. Представим себе робота-помощника в домашней среде, который имеет механический манипулятор с кистью. Этот робот может использоваться для выполнения различных задач, таких как уборка, размещение предметов или помощь в повседневных делах.

Когда робот воспринимает свою окружающую среду с помощью камеры или датчиков расстояния, он получает информацию о местоположении и расположении объектов в комнате. Затем, на основе этой информации, робот может принимать решения о том, какие действия ему следует выполнить. Например, если он обнаруживает грязь на полу, он может решить использовать свой манипулятор с кистью для уборки.

Актуаторы робота, такие как двигатели и приводы, позволяют ему выполнить это действие, управляя движением манипулятора и кисти. Робот может точно регулировать движение манипулятора, чтобы очистить определенную область пола. После завершения задачи робот может вновь воспользоваться своими сенсорами, чтобы проверить результат и убедиться, что задача выполнена.

Таким образом, через взаимодействие своих актуаторов с окружающей средой, робот способен влиять на свое окружение и выполнять различные задачи, делая его важным инструментом для автоматизации рутинных действий в домашней или промышленной среде.

Важно, чтобы агент был способен эффективно управлять своими актуаторами и принимать решения о том, какие действия следует выполнить в зависимости от текущего состояния окружающей среды и его целей. Это может включать в себя планирование и последовательное выполнение действий, учет ограничений и рисков, а также взаимодействие с другими агентами и объектами в среде. В результате агент может воздействовать на свое окружение с целью достижения поставленных задач и выполнения своих функций в конкретной области применения.

Принятие решений и планирование действий

Принятие решений и планирование действий являются важными аспектами функционирования агентов в окружающей среде. Реактивная стратегия является одним из простых и эффективных подходов к принятию решений агентом в окружающей среде. При таком подходе агент непосредственно реагирует на текущее состояние окружающей среды, принимая решения без учета долгосрочных последствий или состояний, которые могут возникнуть в будущем. Это означает, что агент не строит модель среды и не прогнозирует ее будущее развитие, а принимает решения только на основе того, что он в данный момент наблюдает.

Реактивная стратегия особенно эффективна в статичных или медленно изменяющихся средах, где текущее состояние обычно является достаточно надежным индикатором того, какие действия следует предпринять. Например, если робот перемещается в заранее известной структурированной среде, где препятствия не появляются или меняются редко, он может успешно использовать реактивную стратегию для навигации и избегания препятствий.

Однако реактивные стратегии могут оказаться недостаточно эффективными в сложных и динамичных средах, где долгосрочные последствия действий играют ключевую роль. В таких случаях агенту может потребоваться способность прогнозировать будущие состояния среды и принимать решения на основе этих прогнозов. Тем не менее, в определенных контекстах, где высокая скорость реакции критически важна, реактивные стратегии могут оставаться предпочтительным выбором для агентов.

Примером применения реактивной стратегии может служить автономный автомобиль, движущийся по стабильной и хорошо изученной дорожной инфраструктуре. В таком случае автомобиль может использовать простую реактивную стратегию для навигации и управления, принимая решения на основе текущих условий дороги и окружающего транспорта.

Когда автомобиль обнаруживает препятствие или другие транспортные средства в своем пути, он может автоматически реагировать, изменяя свою траекторию движения или снижая скорость, чтобы избежать столкновения. Эти решения принимаются исходя из данных, полученных от различных сенсоров, таких как радары, камеры и лидары, которые постоянно сканируют окружающую среду в реальном времени.

В стабильной и предсказуемой дорожной среде, где препятствия редко появляются и маловероятны внезапные изменения условий, реактивная стратегия может обеспечить быстрое и безопасное движение автомобиля без необходимости в сложных моделях окружающей среды или долгосрочном планировании маршрута. Это делает такой подход эффективным для повседневного использования автономных автомобилей в условиях городского движения или на открытых автомагистралях.

Стратегии на основе знаний представляют собой альтернативный подход к принятию решений, где агент использует заранее известные правила, законы или модели для принятия обоснованных действий в окружающей среде. В отличие от реактивных стратегий, которые реагируют только на текущее состояние среды, стратегии на основе знаний позволяют агенту учитывать более широкий контекст и делать выводы на основе предварительно загруженных знаний о среде и ее функционировании.

Этот подход может быть особенно полезен в ситуациях, где агенту доступны определенные знания о своей среде и типичных сценариях поведения. Например, в медицинских экспертных системах агент может использовать заранее определенные медицинские протоколы и базы данных заболеваний для диагностики и рекомендации лечения пациентам. Также стратегии на основе знаний могут быть применены в робототехнике для выполнения задач, требующих точного знания среды, таких как навигация в лабиринте или управление манипуляторами для выполнения сложных манипуляций.

Хотя стратегии на основе знаний могут быть более эффективными в предсказуемых средах или при выполнении задач с четкими правилами и моделями, они могут быть менее гибкими в ситуациях, где среда изменчива или неопределенна. В таких случаях агенту может потребоваться способность адаптироваться к новым условиям и обучаться на лету, что может быть более сложно с использованием жестких заранее определенных стратегий.

Примером применения стратегий на основе знаний может служить автономный мобильный робот, предназначенный для навигации в большом складском помещении. Предположим, что в складе установлена система навигации, которая предоставляет роботу информацию о расположении различных полок, препятствий и точек назначения.