J:
Kā izsvērtā vai varbūtējā pieeja palīdz AI pāriet ārpus tīri uz noteikumiem balstītas vai determinētas pieejas?
A:Mašīnmācīšanās un mākslīgā intelekta principi strauji mainās, kā darbojas skaitļošana. Viens no galvenajiem veidiem, kā tas notiek, ir ar svērtām vai varbūtējām izejvielām, kas ieejas no patiesi determinētas sistēmas maina uz kaut ko abstraktu.
Mākslīgos neironu tīklos atsevišķi neironi vai vienības saņem varbūtības datus. Pēc tam viņi nosaka rezultātu vai rezultātu. Tas ir tas, par ko runā profesionāļi, kad viņi runā par vecās programmēšanas pasaules aizstāšanu ar jaunu datoru apmācības vai mācīšanas pasauli.
Parasti, lai iegūtu skaitļošanas rezultātus, pēc noklusējuma tika izmantota programmēšana. Programmēšana ir fiksēts deterministisko ieeju komplekts - noteikumi, kurus dators lojāli ievēros.
Turpretī varbūtīgu datu ievadīšana ir šo noteikumu abstrakcija, sava veida “grožu samazināšana”, lai atbrīvotu datoru no sarežģītāku lēmumu pieņemšanas. Savā ziņā varbūtības ieejas no ārējā viedokļa nav zināmas un nav iepriekš noteiktas. Tas ir tuvāk tam, kā darbojas mūsu faktiskās smadzenes, un tāpēc mašīnmācīšanās un mākslīgā intelekta algoritmi, izmantojot šo pieeju, tiek pasludināti par nākamo mākslīgās izziņas attīstības robežu.
Šis ir vienkāršs veids, kā domāt par svērtām vai varbūtības vērtībām. Tradicionālajā programmēšanā jums bija “ja / tad” paziņojuma tips, kas parasti saka: ja ŠIS, tad TĀ.
Lai pārietu ārpus noteikumos balstītas pieejas, jāmaina tas, kas ir ŠIS. Uz noteikumiem balstītā pieejā ŠIS ir kāds teksta ievade vai noteikums: Ja jūs domājat to kā bināru - mēs zinām, vai tā ir taisnība vai nē, un tas pats notiek ar datoru. Tātad jūs varat paredzēt datora reakciju uz jebkuru doto ievadi.
Jaunajā pieejā ŠIS faktiski ir ieguldījumu kopums, kas var būt jebkurā noteiktā stāvoklī. Tā kā ārējs novērotājs nevarētu viegli modelēt, no kā sastāv šis, viņš vai viņa nevarēja precīzi paredzēt, kāds varētu būt TĀDS rezultāts.
Padomājiet par šo principu, kas tiek piemērots visdažādākajām jomām un nozarēm, sākot no tirgus segmentēšanas līdz finanšu pārbaudei līdz izklaidei līdz ūdens un kanalizācijas vadībai, un jums ir mašīnmācīšanās, dziļas mācīšanās un mākslīgā intelekta patiesais spēks, lai cilvēku lietas virzītu pavisam jaunā veids. Piemēram, krāpšanas pārvaldības jomā eksperti norāda, ka tikai noteikumiem pakļautās sistēmas nav ļoti labas, lai noskaidrotu atšķirību starp aizdomīgu vai riskantu izturēšanos un normālu izturēšanos - mašīnmācīšanās sistēmas, kas ir bruņotas ar sarežģītiem ievades modeļiem, ir labāk spējīgas pieņemt lēmumus. par to, kāda darbība varētu būt apšaubāma.
Vēl viens veids, kā domāt par to, ir tas, ka pasaule ir pārdzīvojusi laikmetu, kurā kods tiek identificēts kā jauna mācīšanās un lēmumu pieņemšanas robeža. Pati par sevi determinēti uz kodiem balstīti rezultāti bija spēcīgi, modelējot visa veida cilvēku darbību un lēmumus. Visas šīs idejas mēs izmantojām mārketingā, pārdošanā, valsts pārvaldē utt. Bet tagad eksperti runā par “kodēšanas beigām”, tāpat kā šajā ļoti ieskaujošajā un pamācošajā rakstā “Wired”. Galvenā ideja ir tā pati ideja, ka nākamajā laikmetā kodēšanas vietā mums būs sistēma, kurā mēs apmācīsim datorus domāt tuvāk tam, kā domājam, lai varētu laika gaitā iemācīties un padarīt attiecīgi pieņem lēmumus. Liela daļa no tā ir paveikts, pārejot no deterministiskās skaitļošanas pieejas uz tādu, kuru abstrahē ar sarežģītākām ieejām.
