V:
Kako tehtan ali probabalističen pristop pomaga AI, da preseže čisto pristop, ki temelji na pravilih ali determiniran pristop?
A:Načela strojnega učenja in umetne inteligence se hitro spreminjajo, kako deluje računalništvo. Eden ključnih načinov, kako se to dogaja, je s tehtanimi ali verjetnostnimi vhodi, ki vnose iz resnično determiniranega sistema spremenijo v nekaj bolj abstraktnega.
V umetnih nevronskih mrežah posamezni nevroni ali enote prejemajo verjetnostne vnose. Nato določijo rezultat ali rezultat. O tem govorijo strokovnjaki, ko govorijo o nadomestitvi starega programa programiranja z novim svetom računalništva ali "poučevanja".
Tradicionalno je bila privzeto uporaba programa za pridobivanje računalniških rezultatov. Programiranje je fiksni niz determinističnih vhodov - pravil, ki jih bo računalnik zvesto upošteval.
Nasprotno pa je dopuščanje verjetnostnih vložkov odvzem teh pravil, neke vrste "ohlapnost vajeti" za sprostitev računalnika za sprejemanje naprednejših odločitev. Na nek način verjetnostni vnosi ne moremo vedeti z zunanje perspektive in niso vnaprej določeni. To je bližje načinu delovanja naših možganov in zato algoritmi strojnega učenja in umetne inteligence s tem pristopom veljajo za naslednjo mejo umetnega kognitivnega razvoja.
Tukaj je preprost način za razmislek o tehtanih ali verjetnostnih vložkih. V tradicionalnem programiranju ste imeli vrsto izjave "če / potem", ki na splošno pravi: če je to, potem to.
Če presežete pristop, ki temelji na pravilih, je treba spremeniti to, kar je to. V pristopu, ki temelji na pravilih, je TO nekaj vnosa besedila ali pravila: Če menite, da je dvojiško - vemo, ali je res ali ne, in računalnik. Tako lahko predvidite odziv računalnika na kateri koli dani vhod.
V novem pristopu je to dejansko zbirka podatkov, ki so lahko v katerem koli stanju. Ker zunanji opazovalec ne bi mogel z lahkoto oblikovati, iz česa je sestavljeno, ni mogel natančno predvideti, kakšen bi lahko bil to rezultat.
Razmislite o tem načelu, ki se uporablja na vseh vrstah področij in panog, od segmentacije trga do finančnega preverjanja do zabave do upravljanja z vodo in kanalizacijo, in imate resnično moč strojnega učenja, globokega učenja in umetne inteligence za usmerjanje človeških zadev v povsem novem način. Na primer, na področju upravljanja goljufij strokovnjaki opozarjajo, da sistemi samo za pravila niso zelo dobri pri ugotavljanju razlike med sumljivim ali tveganim vedenjem in običajnim vedenjem - sistemi za strojno učenje, oboroženi s prefinjenimi vhodnimi modeli, so bolj sposobni sprejemati odločitve o tem, katera dejavnost je lahko vprašljiva.
Drug način razmišljanja je, da je svet šel skozi obdobje prepoznavanja kode kot nove meje za učenje in odločanje. Sami po sebi so bili deterministični rezultati na osnovi kode močni v smislu modeliranja vseh vrst človeške dejavnosti in odločitev. Vse te ideje smo uporabili pri trženju, prodaji, javni upravi itd. Toda zdaj strokovnjaki govorijo o "koncu kodiranja", kot v tem zelo pronicljivem in poučnem delu Wireda. Ideja, ki prevladuje tukaj, je ista ideja, da bomo v naslednji dobi namesto kodiranja imeli sistem, v katerem bomo računalnike usposobili za razmišljanje na načine, ki so bližje načinu razmišljanja, da se bomo lahko skozi čas učili in naredili odločitve v skladu s tem. Veliko tega smo dosegli s prehodom od determinicnega računalniškega pristopa k tistemu, ki je abstrahiran z bolj izpopolnjenimi vhodi.
