П:
Како пондерирани или пробабалистички приступ помаже АИ-у да пређе преко чисто заснованог на правилима или детерминираног приступа?
О:Принципи машинског учења и вештачке интелигенције брзо се мењају како рачунарство функционише. Један од кључних начина да се то догоди је са пондерисаним или вероватно вјеројатним уносима који уносе из заиста детерминираног система мијењају у нешто апстрактније.
У вештачким неуронским мрежама поједини неурони или јединице примају вероватноће уноса. Затим одређују излаз или резултат. О томе професионалци разговарају када замењују стари програм програмирања новим светом рачунара "обуке" или "наставе".
Традиционално, задано је било да се програмирање користи за добијање рачунарских резултата. Програмирање је фиксни скуп детерминистичких улаза - правила којих ће рачунар верно следити.
Супротно томе, омогућавање вероватних уноса је апстракција ових правила, врста „слабљења узде“ да би се ослободило рачунар за доношење напреднијих одлука. На неки начин, вероватни уноси нису познати из спољне перспективе и нису унапред одређени. То је ближе начину рада наших стварних мозгова, и зато се алгоритми машинског учења и вештачке интелигенције користе овим приступом као следећа граница вештачког когнитивног развоја.
Ево једноставног начина за размишљање о пондерираним или вјероватним улозима. У традиционалном програмирању имали сте тип изјаве "ако / онда" која углавном каже: ако је ово, онда то.
Прелазак изван приступа заснованог на правилима укључује промену онога што је ОВО. У приступу који се заснива на правилима, ОВО је неко уношење текста или правило: Ако то мислите као двоструко - знамо да ли је истина или не, као и рачунар. На тај начин можете да предвидите одговор рачунара на било који дати улаз.
У новом приступу, ОВО је уствари збир података које могу бити у било којем стању. Будући да спољни посматрач не би могао лако да моделира од чега се ОВО састоји, он или она нису могли тачно предвидети какав би то могао бити резултат.
Размислите о овом принципу примењеном на све врсте поља и индустрије, од сегментације тржишта до финансијске провере до забаве до управљања водама и канализацијом, и имате праву моћ машинског учења, дубоког учења и вештачке интелигенције за усмеравање људских послова у сасвим новом начин. На пример, у области управљања преварама, стручњаци истичу да системи само за правила нису баш добри у проналажењу разлике између сумњивог или ризичног понашања и нормалног понашања - системи машинског учења наоружани софистицираним улазним моделима способнији су за доношење одлука о томе која би активност могла бити упитна.
Други начин да се то размисли је да је свет прошао кроз еру идентификације кода као нове границе за учење и одлучивање. Сами по себи, детерминирани исходи засновани на коду били су снажни у погледу моделирања свих врста људских активности и одлука. Све ове идеје примењивали смо у маркетингу, продаји, јавној администрацији итд. Али сада стручњаци говоре о „крају кодирања“, као у овом веома проницљивом и поучном делу у Виреду. Идеја која овде преовлађује је иста идеја да ћемо у следећој ери уместо кодирања имати систем где тренирамо рачунаре да размишљају на начине који су ближи ономе како мислимо, да бисмо могли да временом учимо и правимо одлуке у складу с тим. Велики део тога је постигнут преласком с детерминираног рачунарског приступа на онај који је апстрахиран са софистициранијим улазима.
