Î:
Cum ajută o abordare ponderată sau probabalistică AI să treacă dincolo de o abordare pur bazată pe reguli sau deterministă?
A:Principiile de învățare automată și inteligență artificială schimbă rapid modul în care funcționează calculul. Unul dintre modurile cheie în care se întâmplă acest lucru este cu inputuri ponderate sau probabilistice care schimbă intrările dintr-un sistem cu adevărat determinist în ceva mai abstract.
În rețelele neuronale artificiale, neuronii sau unitățile individuale primesc intrări probabilistice. Apoi determină cu privire la rezultat sau rezultat. Despre acest lucru vorbesc profesioniștii când vorbesc despre înlocuirea vechii lumi a programării cu o nouă lume a calculatoarelor „de formare” sau „de predare”.
În mod tradițional, implicit a fost utilizarea programării pentru a obține rezultate de calcul. Programarea este un set fix de intrări deterministe - reguli pe care computerul le va respecta fidel.
Dimpotrivă, a permite intrări probabilistice este o abstractizare a acestor reguli, un fel de „slăbire a frâielor” pentru a elibera computerul pentru a lua decizii mai avansate. Într-un fel, intrările probabilistice sunt necunoscute dintr-o perspectivă exterioară și nu sunt predeterminate. Acest lucru este mai aproape de modul în care funcționează creierul nostru real, și de aceea algoritmii de învățare automată și inteligență artificială care utilizează această abordare sunt salutați ca următoarea frontieră a dezvoltării cognitive artificiale.
Iată un mod ușor de a gândi la inputuri ponderate sau probabilistice. În programarea tradițională, ați avut tipul de declarație „if / then” care spune în general: dacă ACEȘTE, atunci.
Trecerea dincolo de abordarea bazată pe reguli implică schimbarea a ceea ce ESTE. Într-o abordare bazată pe reguli, ESTE o anumită introducere de text sau o regulă: Dacă vă gândiți la el ca la un binar - știm dacă este adevărat sau nu, și la fel face și computerul. Deci, puteți prezice răspunsul computerului la orice intrare dată.
În noua abordare, ACESTA este de fapt o colecție de inputuri care poate fi în orice stare. Așadar, din moment ce un observator din exterior nu ar putea cu ușurință să modeleze din ce constă acest lucru, el sau ea nu ar putea prezice cu exactitate care ar putea fi rezultatul ACEST.
Gândiți-vă la acest principiu aplicat la tot felul de domenii și industrii, de la segmentarea pieței la verificarea financiară până la divertisment până la gestionarea apei și a canalizării și aveți adevărata putere a învățării mecanice, a învățării profunde și a inteligenței artificiale pentru a direcționa afacerile umane într-un mod foarte nou. cale. De exemplu, în domeniul gestionării fraudei, experții subliniază că sistemele exclusiv din reguli nu sunt foarte bune în a distinge diferența dintre comportamentul suspect sau riscant și comportamentul normal - sistemele de învățare automată înarmate cu modele sofisticate de introducere sunt mai capabile să ia decizii. despre ce activitate ar putea fi discutabilă.
Un alt mod de a gândi este faptul că lumea a trecut printr-o eră a identificării codului ca o nouă frontieră pentru învățare și luarea deciziilor. În sine și rezultatele deterministe bazate pe coduri au fost puternice în ceea ce privește modelarea tot felul de activități și decizii umane. Am aplicat toate aceste idei la marketing, vânzări, administrație publică, etc. Dar acum, experții vorbesc despre „sfârșitul codificării”, ca în această piesă foarte intuitivă și instructivă din Wired. Ideea predominantă aici este aceeași idee, că în următoarea eră, în loc să codăm, vom avea un sistem în care instruim computerele să gândească în moduri mai apropiate de modul în care gândim, să putem învăța în timp și să facem decizii în consecință. O mare parte din aceasta s-a realizat prin trecerea de la o abordare calculistă deterministă la una care este abstractizată cu intrări mai sofisticate.
