F:
Hur hjälper ett viktat eller probabalistiskt tillvägagångssätt AI att gå längre än en rent reglerad eller deterministisk strategi?
A:Maskininlärning och artificiell intelligensprinciper förändrar snabbt hur datorn fungerar. Ett av de viktigaste sätten att detta händer är med vägda eller sannolika insatser som förändrar input från ett verkligt deterministiskt system till något mer abstrakt.
I konstgjorda neurala nätverk får enskilda neuroner eller enheter sannolikhetsinsatser. De gör sedan en bestämning av utgången eller resultatet. Det här är vad proffsen talar om när de talar om att ersätta den gamla programmeringsvärlden med en ny värld av "utbildning" eller "lärande" datorer.
Traditionellt var standarden att använda programmering för att få beräkningsresultat. Programmering är en fast uppsättning deterministiska ingångar - regler som datorn följer lojalt.
Däremot är det möjligt att möjliggöra sannolika insatser en abstraktion av dessa regler, en slags "slackening av tömningarna" för att frigöra datorn för att fatta mer avancerade beslut. På ett sätt är de sannolika insatserna okända från ett yttre perspektiv och inte förutbestämda. Detta är närmare hur våra faktiska hjärnor fungerar, och det är därför maskininlärnings- och artificiell intelligensalgoritmer som använder detta tillvägagångssätt hyllas som nästa gräns för konstgjord kognitiv utveckling.
Här är ett enkelt sätt att tänka på viktade eller sannolika insatser. I traditionell programmering hade du typen av "om / då" -uttalande som generellt säger: om DETTA, så DET.
Att gå utöver det regelbaserade tillvägagångssättet innebär att ändra vad DETTA är. I ett regelbaserat tillvägagångssätt är DETTA textinmatning eller regel: Om du tänker på det som ett binärt - vet vi om det är sant eller inte, och det gör datorn också. Så du kan förutsäga datorns svar på en given ingång.
I det nya tillvägagångssättet är DETTA faktiskt en samling insatser som kan vara i ett givet tillstånd. Så eftersom en extern observatör inte lätt skulle kunna modellera vad DETTA består av, kunde han eller hon inte exakt förutsäga vad DETT resultat kan bli.
Tänk på denna princip som tillämpas på alla typer av fält och industrier, från marknadssegmentering till ekonomisk verifiering till underhållning till vatten- och avloppshantering, och du har den verkliga kraften av maskininlärning, djup inlärning och konstgjord intelligens för att leda mänskliga angelägenheter i en mycket ny sätt. Till exempel på området bedrägerihantering påpekar experter att system med bara regler inte är särskilt bra på att ta reda på skillnaden mellan misstänkt eller riskabelt beteende och normalt beteende - maskininlärningssystem beväpnade med sofistikerade inputmodeller är mer kapabla att fatta beslut om vilken aktivitet som kan ifrågasättas.
Ett annat sätt att tänka på det är att världen genomgick en era med identifiering av kod som en ny gräns för lärande och beslutsfattande. I och för sig var deterministiska kodbaserade resultat kraftfulla när det gäller att modellera alla typer av mänsklig aktivitet och beslut. Vi använde alla dessa idéer på marknadsföring, försäljning, offentlig administration osv. Men nu talar experter om ”slutet på kodningen”, som i detta mycket insiktsfulla och lärorika stycke i Wired. Idén som dominerar här är samma idé, att vi i nästa era, istället för att koda, har ett system där vi utbildar datorer att tänka på sätt som är närmare hur vi tänker, för att kunna lära oss över tid och göra beslut i enlighet med detta. Mycket av detta har åstadkommits genom att gå från en deterministisk beräkningsmetod till en som är abstraherad med mer sofistikerade ingångar.
