P:
W jaki sposób podejście ważone lub probabalistyczne pomaga AI wyjść poza podejście oparte wyłącznie na regułach lub deterministyczne?
ZA:Zasady uczenia maszynowego i sztucznej inteligencji szybko zmieniają sposób działania komputerów. Jednym z kluczowych sposobów, w jaki się to dzieje, jest ważenie lub prawdopodobieństwo probabilistyczne, które zmieniają dane wejściowe z naprawdę deterministycznego systemu w coś bardziej abstrakcyjnego.
W sztucznych sieciach neuronalnych poszczególne neurony lub jednostki otrzymują dane probabilistyczne. Następnie określają wynik lub wynik. O tym mówią profesjonaliści, gdy mówią o zamianie starego świata programowania na nowy świat komputerów „szkoleniowych” lub „uczących”.
Tradycyjnie domyślnie wykorzystywano programowanie, aby uzyskać wyniki obliczeń. Programowanie to ustalony zestaw deterministycznych danych wejściowych - zasad, które lojalnie przestrzega komputer.
Natomiast uwzględnienie probabilistycznych danych wejściowych jest abstrakcją tych zasad, rodzajem „rozluźnienia lejców” w celu uwolnienia komputera i podjęcia bardziej zaawansowanych decyzji. W pewnym sensie dane probabilistyczne są niepoznawalne z perspektywy zewnętrznej i nie są z góry określone. Jest to bliższe sposobowi działania naszych mózgów i dlatego algorytmy uczenia maszynowego i sztucznej inteligencji wykorzystujące to podejście są uważane za kolejną granicę sztucznego rozwoju poznawczego.
Oto prosty sposób myślenia o ważonych lub probabilistycznych danych wejściowych. W tradycyjnym programowaniu miałeś typ instrukcji „jeśli / to”, która ogólnie mówi: jeśli TO, to TO.
Wyjście poza podejście oparte na regułach wymaga zmiany tego, czym jest TO. W podejściu opartym na regułach, TO jest jakaś metoda wprowadzania tekstu lub reguły: jeśli uważasz to za plik binarny - wiemy, czy to prawda, czy nie, podobnie jak komputer. Możesz więc przewidzieć reakcję komputera na dane dane wejściowe.
W nowym podejściu THIS jest w rzeczywistości zbiorem danych wejściowych, które mogą znajdować się w dowolnym stanie. Ponieważ zewnętrzny obserwator nie byłby w stanie łatwo wymodelować, z czego TO się składa, nie byłby w stanie dokładnie przewidzieć, jaki mógłby być TEN wynik.
Pomyśl o tej zasadzie stosowanej do wszystkich dziedzin i gałęzi przemysłu, od segmentacji rynku, weryfikacji finansowej, rozrywki, gospodarki wodnej i kanalizacyjnej, a masz prawdziwą moc uczenia maszynowego, głębokiego uczenia się i sztucznej inteligencji, aby kierować ludzkimi sprawami w zupełnie nowy sposób sposób. Na przykład w dziedzinie zarządzania oszustwami eksperci zwracają uwagę, że systemy oparte wyłącznie na regułach nie są zbyt dobre w ustalaniu różnicy między podejrzanym lub ryzykownym zachowaniem a normalnym zachowaniem - systemy uczenia maszynowego wyposażone w wyrafinowane modele wprowadzania są bardziej zdolne do podejmowania decyzji o jakie działania mogą budzić wątpliwości.
Innym sposobem myślenia o tym jest to, że świat przeszedł erę identyfikacji kodu jako nowej granicy uczenia się i podejmowania decyzji. Same w sobie deterministyczne wyniki oparte na kodzie były potężne pod względem modelowania wszelkiego rodzaju ludzkich działań i decyzji. Zastosowaliśmy wszystkie te pomysły w marketingu, sprzedaży, administracji publicznej itp. Ale teraz eksperci mówią o „końcu kodowania”, jak w tym bardzo wnikliwym i pouczającym artykule w Wired. Dominuje tutaj ten sam pomysł, że w następnej erze, zamiast kodowania, będziemy mieli system, w którym uczymy komputery myślenia w sposób zbliżony do tego, w jaki sposób myślimy, aby móc uczyć się z czasem i tworzyć decyzje odpowiednio. Wiele z tego osiągnięto, przechodząc od deterministycznego podejścia obliczeniowego do takiego, które jest abstrakcyjne przy użyciu bardziej wyrafinowanych danych wejściowych.
