Q:
Hvordan hjelper en vektet eller probabalistisk tilnærming AI til å gå utover en rent regjebasert eller deterministisk tilnærming?
EN:Prinsipper for maskinlæring og kunstig intelligens endrer raskt hvordan databehandling fungerer. En av de viktigste måtene dette skjer er med vektede eller sannsynlige innspill som endrer innspill fra et virkelig deterministisk system til noe mer abstrakt.
I kunstige nevrale nettverk mottar individuelle nevroner eller enheter sannsynlige innganger. De gjør deretter en bestemmelse om utdata eller resultat. Dette er hva fagfolk snakker om når de snakker om å bytte ut den gamle verdenen av programmering med en ny verden av "trening" eller "undervisning" datamaskiner.
Tradisjonelt var standard å bruke programmering for å få beregningsresultater. Programmering er et fast sett med deterministiske innganger - regler som datamaskinen lojalt vil følge.
I motsetning til dette, er det en abstraksjon av disse reglene å tillate sannsynlige innganger, en slags "slakking av tøylene" for å frigjøre datamaskinen til å ta mer avanserte beslutninger. På en måte er de sannsynlige innspillene ukjente fra et utenforperspektiv og ikke forhåndsbestemt. Dette er nærmere måten våre faktiske hjerner fungerer på, og det er grunnen til at maskinlæring og kunstig intelligens algoritmer som bruker denne tilnærmingen, blir hyllet som den neste grensen til kunstig kognitiv utvikling.
Her er en enkel måte å tenke på vektede eller sannsynlige innspill. I tradisjonell programmering hadde du typen "hvis / da" -uttalelse som generelt sier: Hvis DETTE, så DET.
Å gå utover den regelbaserte tilnærmingen innebærer å endre hva DETTE er. I en regelbasert tilnærming er DETTE tekstinntasting eller regel: Hvis du tenker på det som et binært - vet vi om det er sant eller ikke, og det gjør også datamaskinen. Så du kan forutsi datamaskinens svar på en gitt inngang.
I den nye tilnærmingen er DETTE faktisk en samling med innspill som kan være i en gitt tilstand. Så siden en utenforstående observatør ikke lett ville være i stand til å modellere hva DETTE består av, kunne han eller hun ikke nøyaktig forutsi hvilket DETTE resultatet kan bli.
Tenk på dette prinsippet som brukes på alle slags felt og bransjer, fra markedssegmentering til økonomisk verifisering til underholdning til vann- og avløpshåndtering, og du har den virkelige kraften til maskinlæring, dyp læring og kunstig intelligens for å lede menneskers anliggender i en veldig ny vei. For eksempel innen svindelhåndtering påpeker eksperter at systemer med bare regler ikke er veldig flinke til å finne ut forskjellen mellom mistenkelig eller risikofylt oppførsel og normal oppførsel - maskinlæringssystemer bevæpnet med sofistikerte inputmodeller er mer i stand til å ta beslutninger om hvilken aktivitet som kan være tvilsom.
En annen måte å tenke på det er at verden gikk gjennom en epoke med å identifisere kode som en ny grense for læring og beslutningstaking. I og for seg var deterministiske kodebaserte resultater kraftige når det gjaldt modellering av alle slags menneskelige aktiviteter og beslutninger. Vi brukte alle disse ideene til markedsføring, salg, offentlig administrasjon osv. Men nå snakker eksperter om "slutten av kodingen", som i dette veldig innsiktsfulle og lærerike stykket i Wired. Ideen som er overveiende her er den samme ideen, at i neste periode, i stedet for å kode, vil vi ha et system der vi trener datamaskiner til å tenke på måter som er nærmere hvordan vi tenker, for å kunne lære over tid og lage beslutninger deretter. Mye av dette er oppnådd ved å gå fra en deterministisk databehandlingsmetode til en som er abstrakt med mer sofistikerte innganger.
