Q:
Hoe helpt een gewogen of probabalistische benadering AI om verder te gaan dan een puur op regels gebaseerde of deterministische benadering?
EEN:De principes van machinaal leren en kunstmatige intelligentie veranderen snel hoe computing werkt. Een van de belangrijkste manieren waarop dit gebeurt, is met gewogen of probabilistische inputs die inputs van een echt deterministisch systeem veranderen in iets abstracters.
In kunstmatige neurale netwerken ontvangen individuele neuronen of eenheden probabilistische input. Vervolgens bepalen ze wat de output of het resultaat is. Dit is waar professionals het over hebben als ze het hebben over het vervangen van de oude wereld van programmeren door een nieuwe wereld van 'training' of 'lesgeven' van computers.
Traditioneel was de standaardinstelling om programmering te gebruiken om computerresultaten te behalen. Programmering is een vaste set van deterministische invoer - regels die de computer loyaal zal volgen.
Het toestaan van probabilistische invoer is daarentegen een abstractie van deze regels, een soort "verslapping van de teugels" om de computer vrij te maken om geavanceerdere beslissingen te nemen. In zekere zin zijn de probabilistische input vanuit een extern perspectief onkenbaar en niet vooraf bepaald. Dit komt dichter bij de manier waarop onze werkelijke hersenen werken, en daarom worden machine learning en kunstmatige intelligentie-algoritmen die deze aanpak gebruiken geprezen als de volgende grens van kunstmatige cognitieve ontwikkeling.
Hier is een gemakkelijke manier om na te denken over gewogen of probabilistische input. In de traditionele programmering had je het type “als / dan” -instructie dat in het algemeen zegt: als DIT, dan DAT.
Verder gaan dan de op regels gebaseerde benadering betekent veranderen wat DIT is. In een op regels gebaseerde benadering is DIT een tekstinvoer of regel: als je het als een binair getal ziet, weten we of het waar is of niet, en dat geldt ook voor de computer. U kunt dus de reactie van de computer op elke invoer voorspellen.
In de nieuwe benadering is DIT eigenlijk een verzameling invoer die zich in een bepaalde staat kan bevinden. Dus omdat een externe waarnemer niet gemakkelijk zou kunnen modelleren waar DIT uit bestaat, kon hij of zij niet nauwkeurig voorspellen wat DAT resultaat zou kunnen zijn.
Denk aan dit principe dat wordt toegepast op allerlei gebieden en industrieën, van marktsegmentatie tot financiële verificatie tot entertainment tot water- en rioolbeheer, en u hebt de echte kracht van machine learning, diep leren en kunstmatige intelligentie om menselijke zaken in een heel nieuwe richting te leiden manier. Op het gebied van fraudebeheer wijzen experts er bijvoorbeeld op dat systemen met alleen regels niet erg goed zijn in het ontdekken van het verschil tussen verdacht of risicovol gedrag en normaal gedrag - systemen voor machinaal leren gewapend met geavanceerde invoermodellen zijn beter in staat om beslissingen te nemen over welke activiteit twijfelachtig kan zijn.
Een andere manier om eraan te denken is dat de wereld een tijdperk doorbracht waarin code werd geïdentificeerd als een nieuwe grens voor leren en besluitvorming. Op zichzelf waren deterministische, op code gebaseerde resultaten krachtig in termen van het modelleren van allerlei menselijke activiteiten en beslissingen. We hebben al deze ideeën toegepast op marketing, verkoop, openbaar bestuur, enz. Maar nu hebben experts het over 'het einde van codering', zoals in dit zeer inzichtelijke en leerzame stuk in Wired. Het idee dat hier overheerst, is hetzelfde idee, dat in het volgende tijdperk, in plaats van codering, we een systeem hebben waarbij we computers trainen om te denken op manieren die dichter bij hoe we denken, in staat zijn om in de tijd te leren en beslissingen dienovereenkomstig. Veel van dit is bereikt door van een deterministische computerbenadering over te gaan naar een benadering die is geabstraheerd met meer geavanceerde invoer.
