Q:
Как претегленият или пробабалистичният подход помага на ИИ да премине извън чисто базиран на правила или детерминиран подход?
A:Принципите на машинното обучение и изкуствения интелект бързо се променят в начина на работа на компютрите. Един от ключовите начини, по който това се случва, е с претеглени или вероятностни данни, които променят входовете от наистина детерминирана система в нещо по-абстрактно.
В изкуствените невронни мрежи отделни неврони или единици получават вероятностни данни. След това те определят изхода или резултата. За това говорят професионалистите, когато говорят за замяна на стария свят на програмиране с нов свят на „обучение” или „преподаване” на компютри.
Традиционно по подразбиране беше да се използва програмиране, за да се получат изчислителни резултати. Програмирането е фиксиран набор от детерминизирани входове - правила, които компютърът ще следва лоялно.
За разлика от това, допускането на вероятни входове е абстракция на тези правила, един вид „отслабване на юздите“ за освобождаване на компютъра за вземане на по-напреднали решения. По някакъв начин вероятностните входове са непознати от външна гледна точка и не са предварително определени. Това е по-близо до начина, по който работят действителните ни мозъци, и затова алгоритмите за машинно обучение и изкуствен интелект, използващи този подход, се приемат като следващата граница на изкуственото познавателно развитие.
Ето един лесен начин да помислите за претеглените или вероятностните данни. В традиционното програмиране вие сте имали типа на "ако / тогава", което обикновено казва: ако ТОВА, то ТОВА.
Преминаването извън подхода, основаващ се на правила, включва промяна на това. В подход, основан на правила, ТОВА е някакво въвеждане на текст или правило: Ако мислите за това като двоично - ние знаем дали е вярно или не, и компютърът. Така че можете да предвидите реакцията на компютъра на всеки даден вход.
В новия подход ТОВА всъщност е съвкупност от входни данни, които могат да бъдат във всяко състояние. Тъй като външен наблюдател не би могъл лесно да моделира от какво се състои ТОВА, той или тя не можеха точно да предвидят какъв може да бъде този резултат.
Помислете за този принцип, прилаган за всякакви области и индустрии, от сегментиране на пазара до финансова проверка до развлечение до управление на водоснабдяването и канализацията и имате истинската сила на машинно обучение, дълбоко учене и изкуствен интелект за насочване на човешките дела в съвсем ново начин. Например, в областта на управлението на измами специалистите посочват, че системите само за правила не са много добри в откриването на разликата между подозрително или рисковано поведение и нормално поведение - системите за машинно обучение, въоръжени със сложни входни модели, са по-способни да вземат решения за това каква дейност може да бъде съмнителна.
Друг начин да се мисли за това е, че светът премина през епоха на идентифициране на код като нова граница за учене и вземане на решения. Сами по себе си, детерминираните резултати, базирани на кодове, бяха силни по отношение на моделирането на всякакъв вид човешка дейност и решения. Приложихме всички тези идеи за маркетинг, продажби, публична администрация и т.н. Но сега експертите говорят за „края на кодирането“, както в това много проницателно и поучително парче в Wired. Преобладаващата идея тук е същата идея, че в следващата ера вместо кодиране ще имаме система, в която обучаваме компютрите да мислят по начини, по-близки до това как мислим, за да можем да се учим във времето и да правим съответно решения. Голяма част от това е постигнато чрез преминаване от детерминиран изчислителен подход към такъв, който е абстрахиран с по-сложни входове.
