K:
Hogyan segít egy súlyozott vagy valószínűségi megközelítés az AI-nél a tisztán szabályokon alapuló vagy determinisztikus megközelítésen való túljutáshoz?
A:A gépi tanulás és a mesterséges intelligencia alapelvei gyorsan változnak a számítástechnika működésében. Ennek egyik legfontosabb módja a súlyozott vagy valószínűségi bemenetek, amelyek a valóban determinisztikus rendszer bemeneteiből valami elvontabbá válnak.
A mesterséges idegi hálózatokban az egyes neuronok vagy egységek valószínűségi bemeneteket kapnak. Ezután meghatározzák a kimenetet vagy az eredményt. Erről beszélnek a szakemberek, amikor arról beszélnek, hogy a programozás régi világát felváltják egy új, számítógépes oktatás vagy oktatás világra.
Hagyományosan az alapértelmezés a programozás használata volt a számítási eredmények elérésére. A programozás egy determinisztikus bemenetek rögzített halmaza - szabályok, amelyeket a számítógép lojalizáltan követ.
Ezzel szemben a valószínűségi bemenetek engedélyezése e szabályok absztrakciója, egyfajta „gyeplők csillapítása”, hogy felszabadítsák a számítógépet a fejlettebb döntések meghozatalához. Bizonyos értelemben a valószínűségi bemenetek kívülről nem ismertek, és nem előre meghatározták. Ez közelebb áll a valódi agyunk működéséhez, és ezért emlegetik a gépi tanulást és az ezt a megközelítést alkalmazó mesterséges intelligencia algoritmusokat a mesterséges kognitív fejlődés következő határának.
Így egyszerűen gondolkodhat súlyozott vagy valószínűségi bemenetekről. A hagyományos programozásban a „ha / akkor” kijelentés típusa volt, amely általában azt mondja: ha ez, akkor az.
A szabályokon alapuló megközelítés túllépése magában foglalja ennek megváltoztatását. Szabályalapú megközelítésben ez egy szöveges bevitel vagy szabály: Ha binárisnak gondolod - tudjuk, hogy igaz, vagy sem, és így van a számítógép is. Így kiszámíthatja a számítógép válaszát az adott bemenetre.
Az új megközelítésben ez a ténylegesen olyan bemenetek gyűjteménye, amelyek bármilyen állapotban lehetnek. Tehát, mivel egy külső megfigyelő nem lenne könnyen képes modellezni, miből épül ez, nem tudta pontosan megjósolni, hogy mi lehet az eredmény.
Gondoljon erre az elvre, amelyet mindenféle területre és iparra alkalmazni lehet, a piaci szegmentálástól a pénzügyi ellenőrzésig, a szórakoztatásig, a víz- és szennyvízcsatorna-kezelésig, és rendelkezel a gépi tanulás, a mélytanulás és a mesterséges intelligencia valódi erejével, hogy az emberi ügyeket egy nagyon új irányba irányítsa. út. Például a csaláskezelés területén a szakértők rámutatnak, hogy a csak szabályokra épülő rendszerek nem nagyon képesek megkülönböztetni a gyanús vagy kockázatos viselkedés és a normális viselkedés közötti különbséget - a kifinomult bemeneti modellekkel felépített gépi tanulási rendszerek jobban képesek döntéseket hozni. arról, hogy milyen tevékenység kérdéses lehet.
Egy másik módja annak gondolására, hogy a világ egy olyan korszakon ment keresztül, amikor a kódot a tanulás és a döntéshozatal új határaként azonosították. Önmagában a determinisztikus, kódalapú eredmények erőteljesek voltak az emberi tevékenységek és döntések mindenféle modellezésében. Ezeket az ötleteket alkalmaztuk a marketingben, az értékesítésben, a közigazgatásban stb. De most a szakértők a kódolás végéről beszélnek, mint a Wired ebben a nagyon áttekintő és tanulságos részében. Az uralkodó gondolat ugyanaz az ötlet, hogy a következő korszakban a kódolás helyett egy olyan rendszerünk lesz, ahol a számítógépeket arra gondoljuk, hogy gondolkodásmódjukhoz közelebb álljanak, hogy képesek legyenek idővel megtanulni és ennek megfelelően dönt. Ennek nagy részét úgy sikerült elérni, hogy a determinisztikus számítástechnikai megközelítéstől a kifinomultabb bemenetekkel kivont megközelítés felé haladtunk.
