Q:
Wie hilft ein gewichteter oder probabalistischer Ansatz der KI, über einen rein regelbasierten oder deterministischen Ansatz hinauszugehen?
EIN:Das Prinzip des maschinellen Lernens und der künstlichen Intelligenz verändert die Funktionsweise von Computern rasant. Eine der wichtigsten Möglichkeiten, wie dies geschieht, sind gewichtete oder probabilistische Eingaben, die Eingaben aus einem wirklich deterministischen System in etwas Abstrakteres verwandeln.
In künstlichen neuronalen Netzen erhalten einzelne Neuronen oder Einheiten probabilistische Eingaben. Sie bestimmen dann die Ausgabe oder das Ergebnis. Das ist es, wovon Fachleute sprechen, wenn sie davon sprechen, die alte Welt des Programmierens durch eine neue Welt des "Trainings" oder "Lehrens" von Computern zu ersetzen.
Üblicherweise wurde standardmäßig die Programmierung verwendet, um Computerergebnisse zu erhalten. Programmierung ist ein fester Satz deterministischer Eingaben - Regeln, denen der Computer loyal folgt.
Das Zulassen probabilistischer Eingaben ist dagegen eine Abstraktion dieser Regeln, eine Art „Lockerung der Zügel“, um den Computer für weitergehende Entscheidungen freizugeben. In gewisser Weise sind die wahrscheinlichkeitstheoretischen Eingaben von außen nicht erkennbar und nicht vorbestimmt. Dies kommt der tatsächlichen Funktionsweise unseres Gehirns näher, weshalb maschinelles Lernen und Algorithmen für künstliche Intelligenz, die diesen Ansatz verwenden, als die nächste Grenze der künstlichen kognitiven Entwicklung gepriesen werden.
Hier ist eine einfache Möglichkeit, über gewichtete oder probabilistische Eingaben nachzudenken. In der traditionellen Programmierung gab es die Art von "if / then" -Anweisung, die im Allgemeinen besagt: wenn DAS, dann DAS.
Um über den regelbasierten Ansatz hinauszugehen, müssen Sie das ändern, was DIES ist. Bei einem regelbasierten Ansatz ist DIES eine Texteingabe oder Regel: Wenn Sie es als Binärdatei betrachten, wissen wir, ob es wahr ist oder nicht, und der Computer auch. So können Sie die Reaktion des Computers auf eine bestimmte Eingabe vorhersagen.
Bei dem neuen Ansatz ist DIESE tatsächlich eine Sammlung von Eingaben, die sich in einem bestimmten Zustand befinden können. Da ein externer Beobachter nicht leicht modellieren kann, woraus DIESES besteht, kann er oder sie nicht genau vorhersagen, was DIESES Ergebnis sein könnte.
Denken Sie an dieses Prinzip, das auf alle Arten von Bereichen und Branchen angewendet wird, von der Marktsegmentierung über die Finanzprüfung bis hin zur Unterhaltung und Wasser- und Abwasserbewirtschaftung. Sie verfügen über die wirkliche Kraft des maschinellen Lernens, des tiefen Lernens und der künstlichen Intelligenz, um die menschlichen Angelegenheiten in eine ganz neue Richtung zu lenken Weg. Auf dem Gebiet des Betrugsmanagements weisen Experten darauf hin, dass reine Regelsysteme nicht sehr gut darin sind, den Unterschied zwischen verdächtigem oder riskantem Verhalten und normalem Verhalten herauszufinden. Mit ausgefeilten Eingabemodellen ausgestattete maschinelle Lernsysteme sind entscheidungsfähiger darüber, welche Aktivität fraglich sein könnte.
Eine andere Sichtweise ist, dass die Welt eine Ära durchlief, in der Code als neue Grenze für Lernen und Entscheidungsfindung identifiziert wurde. An und für sich waren deterministische, auf Code basierende Ergebnisse mächtig, um alle Arten menschlicher Aktivitäten und Entscheidungen zu modellieren. Wir haben all diese Ideen auf Marketing, Vertrieb, öffentliche Verwaltung usw. übertragen. Jetzt sprechen Experten über das „Ende des Codierens“, wie in diesem sehr aufschlussreichen und lehrreichen Artikel in Wired. Die Idee, die hier vorherrscht, ist die gleiche, dass wir in der nächsten Ära anstelle des Codierens ein System haben, in dem wir Computer trainieren, auf eine Weise zu denken, die unserer Denkweise näher kommt, damit sie im Laufe der Zeit lernen und etwas machen können Entscheidungen entsprechend. Vieles davon wurde erreicht, indem von einem deterministischen zu einem Ansatz übergegangen wurde, der mit komplexeren Eingaben abstrahiert ist.
