Будинки In-The News Як зважений або пробабалістичний підхід допомагає ai вийти за рамки суто заснованого на правилах чи детермінованого підходу?

Як зважений або пробабалістичний підхід допомагає ai вийти за рамки суто заснованого на правилах чи детермінованого підходу?

Anonim

Q:

Як зважений або пробабалістичний підхід допомагає ШІ вийти за рамки суто заснованого на правилах чи детермінованого підходу?

A:

Принципи машинного навчання та штучного інтелекту швидко змінюються, як працює обчислювальна техніка. Один з ключових способів, що відбувається це, полягає в зваженому або ймовірнісному введенні, який змінює вхідні дані з справді детермінованої системи на щось більш абстрактне.

У штучних нейронних мережах окремі нейрони або одиниці отримують імовірнісні входи. Потім вони визначають результат чи результат. Про це говорять професіонали, коли вони говорять про заміну старого світу програмування на новий світ «навчальних» або «навчальних» комп’ютерів.

Традиційно за замовчуванням було використовувати програмування для отримання результатів обчислень. Програмування - це фіксований набір детермінованих входів - правил, які комп'ютер буде вірно дотримуватися.

Навпаки, можливі ймовірнісні введення - це абстрагування цих правил, свого роду «ослаблення лейців» для звільнення комп'ютера для прийняття більш вдосконалених рішень. Певним чином, ймовірнісні дані не пізнаються з зовнішньої точки зору і не визначені наперед. Це ближче до того, як працюють наші фактичні мізки, і саме тому алгоритми машинного навчання та штучного інтелекту, використовуючи такий підхід, вважаються наступним рубежем штучного когнітивного розвитку.

Ось простий спосіб подумати про зважене чи ймовірнісне введення. У традиційному програмуванні у вас був тип висловлювання "якщо / тоді", яке зазвичай говорить: якщо ЦЕ, то ТО.

Вихід за межі правила, що ґрунтується на правилах, передбачає зміну цього. У підході на правилах ЦЕ є деяким введенням тексту або правилом: Якщо ви вважаєте це двійковим - ми знаємо, правда це чи ні, і це робить комп'ютер. Таким чином, ви можете передбачити реакцію комп'ютера на будь-який даний вхід.

У новому підході ЦЕЙ - це фактично сукупність вхідних даних, які можуть бути в будь-якому даному стані. Оскільки, оскільки зовнішній спостерігач не зможе легко змоделювати те, з чого складається, він не міг точно передбачити, яким може бути такий результат.

Подумайте про цей принцип, застосований у всіляких галузях і галузях: від сегментації ринку до фінансової перевірки до розваг до управління водопостачанням та каналізацією, і у вас є реальна сила машинного навчання, глибокого навчання та штучного інтелекту для управління людськими справами у зовсім новій шлях. Наприклад, у сфері управління шахрайством експерти зазначають, що системи, що працюють лише за правилами, не дуже добре розбирати різницю між підозрілою чи ризикованою поведінкою та нормальною поведінкою - системи машинного навчання, озброєні складними вхідними моделями, більш здатні приймати рішення про те, яка діяльність може бути сумнівною.

Ще один спосіб подумати про це - світ пройшов епоху ідентифікації коду як нового кордону для навчання та прийняття рішень. Саме по собі детерміновані результати на основі коду були потужними з точки зору моделювання різного роду людської діяльності та рішень. Ми застосовували всі ці ідеї до маркетингу, продажів, державного управління тощо. Але зараз експерти говорять про "кінець кодування", як у цій дуже проникливій та повчальній роботі в Wired. Ідея, що переважає тут, - це та сама ідея, що в наступну епоху замість кодування у нас буде система, де ми навчаємо комп’ютери мислити способами, ближчими до того, як ми думаємо, щоб ми могли навчитися з часом і робити рішення відповідно. Значна частина цього була досягнута шляхом переходу від детермінованого обчислювального підходу до такого, який абстрагується більш складними входами.

Як зважений або пробабалістичний підхід допомагає ai вийти за рамки суто заснованого на правилах чи детермінованого підходу?