Q:
Hvordan hjælper en vægtet eller probabalistisk tilgang AI til at bevæge sig ud over en rent regelsbaseret eller deterministisk tilgang?
EN:Maskinlæring og kunstig intelligensprincipper ændrer hurtigt, hvordan computing fungerer. En af de vigtigste måder, dette sker på, er med vægtede eller sandsynlige input, der ændrer input fra et virkelig deterministisk system til noget mere abstrakt.
I kunstige neurale netværk modtager individuelle neuroner eller enheder sandsynlige input. Derefter foretager de en afgørelse med hensyn til output eller resultat. Dette er, hvad fagfolk taler om, når de taler om at udskifte den gamle verden af programmering med en ny verden af "træning" eller "undervisning" computere.
Traditionelt var standard at bruge programmering til at få beregningsresultater. Programmering er et fast sæt af deterministiske input - regler, som computeren loyalt følger.
I modsætning hertil er det muligt at give mulighed for sandsynlige input en abstraktion af disse regler, en slags ”slakke af tøjlerne” for at frigøre computeren til at tage mere avancerede beslutninger. På en måde kan de sandsynlige input ikke kendes fra et udefra perspektiv og ikke forudbestemt. Dette er tættere på den måde, vores faktiske hjerner fungerer, og det er grunden til, at maskinlæring og algoritmer til kunstig intelligens, der bruger denne tilgang, hyldes som den næste grænse for kunstig kognitiv udvikling.
Her er en nem måde at tænke på vægtede eller sandsynlige input. I traditionel programmering havde du typen af "hvis / derefter" -sætning, der generelt siger: Hvis DETTE, så DET.
At bevæge sig ud over den regelbaserede tilgang involverer at ændre, hvad DETTE er. I en regelbaseret tilgang er DETTE tekstindtastning eller regel: Hvis du tænker på det som et binært - ved vi, om det er sandt eller ej, og det gør computeren også. Så du kan forudsige computerens svar på enhver given input.
I den nye tilgang er DETTE faktisk en samling input, der kan være i en given tilstand. Så da en ekstern observatør ikke let ville være i stand til at modellere, hvad DETTE består af, kunne han eller hun ikke præcist forudsige, hvilket DET resultat der kunne være.
Tænk på dette princip anvendt på alle mulige felter og industrier, fra markedssegmentering til økonomisk verifikation til underholdning til vand- og kloakledelse, og du har den virkelige magt med maskinlæring, dyb læring og kunstig intelligens til at dirigere menneskelige anliggender i en meget ny vej. For eksempel inden for svighåndtering påpeger eksperter, at systemer med kun regler ikke er særlig gode til at finde ud af forskellen mellem mistænksom eller risikabel opførsel og normal opførsel - maskinindlæringssystemer bevæbnet med sofistikerede inputmodeller er mere i stand til at træffe beslutninger om, hvilken aktivitet der kan være tvivlsom.
En anden måde at tænke på det er, at verden gennemgik en æra med identificering af kode som en ny grænse til læring og beslutningstagning. I og for sig selv var deterministiske kodebaserede resultater effektive med hensyn til modellering af alle slags menneskelige aktiviteter og beslutninger. Vi anvendte alle disse ideer til marketing, salg, offentlig administration osv. Men nu taler eksperter om ”slutningen af kodning”, som i dette meget indsigtsfulde og lærerige stykke i Wired. Ideen, der er fremherskende her, er den samme idé, at i den næste æra, i stedet for at kode, har vi et system, hvor vi træner computere til at tænke på måder, der er tættere på, hvordan vi tænker, at være i stand til at lære over tid og gøre beslutninger i overensstemmelse hermed. Meget af dette er opnået ved at flytte fra en deterministisk computing-tilgang til en, der er abstraheret med mere sofistikerede input.
