Q:
Как взвешенный или вероятностный подход помогает ИИ выйти за рамки чисто основанного на правилах или детерминистского подхода?
A:Принципы машинного обучения и искусственного интеллекта быстро меняются. Один из ключевых способов, которым это происходит, - это взвешенные или вероятностные входы, которые превращают входные данные из действительно детерминированной системы в нечто более абстрактное.
В искусственных нейронных сетях отдельные нейроны или единицы получают вероятностные входные данные. Затем они принимают решение относительно результата или результата. Это то, о чем говорят профессионалы, когда говорят о замене старого мира программирования новым миром «обучения» или «обучения» компьютеров.
Традиционно по умолчанию использовалось программирование для получения результатов вычислений. Программирование - это фиксированный набор детерминированных входных данных - правил, которым компьютер будет неукоснительно следовать.
Напротив, учет вероятностных входов является абстракцией этих правил, своего рода «ослаблением поводов», чтобы освободить компьютер для принятия более сложных решений. В некотором смысле вероятностные входные данные непостижимы с внешней точки зрения и не предопределены. Это ближе к тому, как работает наш настоящий мозг, и именно поэтому алгоритмы машинного обучения и искусственного интеллекта, использующие этот подход, воспринимаются как следующий рубеж искусственного когнитивного развития.
Вот простой способ подумать о взвешенных или вероятностных входных данных. В традиционном программировании у вас был тип выражения «если / тогда», который обычно говорит: если это, то это.
Выход за рамки подхода, основанного на правилах, подразумевает изменение ЭТОГО. В подходе, основанном на правилах, ЭТО - это некий ввод текста или правило: если вы думаете о нем как о двоичном файле - мы знаем, верно ли это или нет, и то же самое делает компьютер. Таким образом, вы можете предсказать реакцию компьютера на любой вход.
В новом подходе ЭТО фактически представляет собой набор входных данных, которые могут находиться в любом заданном состоянии. Таким образом, поскольку внешний наблюдатель не может легко смоделировать, из чего состоит ЭТО, он или она не могут точно предсказать, каким может быть ЭТОТ результат.
Подумайте об этом принципе, применяемом ко всем видам областей и отраслей, от сегментации рынка до финансовой проверки, развлечений, управления водоснабжением и канализацией, и у вас есть реальная сила машинного обучения, глубокого обучения и искусственного интеллекта для управления человеческими делами в совершенно новом путь. Например, в области борьбы с мошенничеством эксперты отмечают, что системы, основанные только на правилах, не очень хорошо понимают разницу между подозрительным или рискованным поведением и нормальным поведением - системы машинного обучения, оснащенные сложными моделями ввода, в большей степени способны принимать решения. о том, что деятельность может быть сомнительной.
Еще один способ думать об этом заключается в том, что мир пережил эпоху определения кода в качестве нового рубежа для обучения и принятия решений. Сами по себе детерминированные результаты, основанные на коде, были мощными с точки зрения моделирования всех видов человеческой деятельности и решений. Мы применили все эти идеи к маркетингу, продажам, государственному управлению и т. Д. Но теперь эксперты говорят о «конце кодирования», как в этом очень проницательном и поучительном материале в Wired. Идея, преобладающая здесь, - это та же идея, что в следующую эпоху вместо кодирования у нас будет система, в которой мы будем обучать компьютеры мыслить способами, которые ближе к тому, что мы думаем, чтобы иметь возможность учиться со временем и делать решения соответственно. Многое из этого было достигнуто путем перехода от детерминистского вычислительного подхода к подходу, который абстрагируется от более сложных входных данных.
