S:
Ağırlıklı veya olasılıklı bir yaklaşım, AI'nın tamamen kurallara dayalı veya deterministik bir yaklaşımın ötesine geçmesine nasıl yardımcı olur?
A:Makine öğrenimi ve yapay zeka ilkeleri, bilgi işlemin çalışma şeklini hızla değiştiriyor. Bunun olmasının temel yollarından biri, girdileri gerçekten deterministik bir sistemden daha soyut bir şeye dönüştüren ağırlıklı veya olasılıklı girdilerdir.
Yapay sinir ağlarında, bireysel nöronlar veya birimler olasılıksal girdiler alır. Daha sonra çıktı veya sonuç ile ilgili bir karar verir. Profesyonellerin, eski programlama dünyasını yeni bir “eğitim” veya “öğretim” bilgisayarları dünyası ile değiştirmekten bahsettikleri şey budur.
Geleneksel olarak, varsayılan hesaplama sonuçlarını elde etmek için programlama kullanmaktı. Programlama, bilgisayarın sadık bir şekilde izleyeceği kurallara dayanan sabit bir girdi kümesidir.
Aksine, olasılıksal girdilere izin vermek bu kuralların bir soyutlamasıdır, bilgisayarı daha gelişmiş kararlar almak için serbest bırakmak için bir tür “dizginlerin gevşemesi”. Bir bakıma, olasılıksal girdiler bir dış perspektiften bilinemez ve önceden belirlenemez. Bu, gerçek beyinlerimizin çalışma şekline daha yakındır ve bu yüzden bu yaklaşımı kullanan makine öğrenimi ve yapay zeka algoritmaları, yapay bilişsel gelişimin bir sonraki sınırı olarak kabul edilmektedir.
Burada, ağırlıklı veya olasılıklı girdileri düşünmenin kolay bir yolu var. Geleneksel programlamada, genellikle şöyle diyorsa “if / then” deyimine sahipsiniz: BU, o zaman BU.
Kural tabanlı yaklaşımın ötesine geçmek, BU'nun ne olduğunu değiştirmeyi içerir. Kural tabanlı bir yaklaşımda, bu bir metin girişi veya kuralıdır: Eğer bunu bir ikili olarak düşünüyorsanız - bunun doğru olup olmadığını biliyoruz ve bilgisayar da öyle. Böylece bilgisayarın herhangi bir girdiye yanıtını tahmin edebilirsiniz.
Yeni yaklaşımda, bu aslında herhangi bir durumda olabilecek bir girdi topluluğudur. Dolayısıyla, dışarıdaki bir gözlemci, BU'nun nelerden oluştuğunu kolayca modelleyemeyeceğinden, bu sonucun ne olabileceğini tam olarak tahmin edemezdi.
Piyasa segmentasyonundan finansal doğrulamaya, eğlenceye, su ve kanalizasyon yönetimine kadar her türlü alana ve sektöre uygulanan bu prensibi düşünün ve makine öğrenimi, derin öğrenme ve yapay zekanın insan işlerini çok yeni bir yere yönlendirmek için gerçek güce sahipsiniz. yol. Örneğin, sahtekarlık yönetimi alanında uzmanlar, yalnızca kurallara dayalı sistemlerin şüpheli veya riskli davranış ile normal davranış arasındaki farkı anlamada çok iyi olmadığını belirtmektedir - sofistike girdi modelleri ile donatılmış makine öğrenme sistemleri karar verme konusunda daha yeteneklidir. hangi faaliyetin şüpheli olabileceği konusunda.
Bunu düşünmenin bir başka yolu, dünyanın, kodu öğrenme ve karar verme için yeni bir sınır olarak tanımlama döneminden geçtiğidir. Kendi başına, deterministik kod-temelli sonuçlar, her türlü insan faaliyetini ve kararlarını modelleme açısından güçlüydü. Tüm bu fikirleri pazarlama, satış, kamu yönetimi vb. Alanlara uyguladık. Ama şimdi, uzmanlar Wired'deki bu çok anlayışlı ve öğretici parçada olduğu gibi “kodlamanın sonu” ndan bahsediyorlar. Burada hakim olan fikir aynı fikirdir, bir sonraki dönemde kodlama yerine, bilgisayarları düşündüğümüze daha yakın şekillerde düşünmek, zaman içinde öğrenebilmek ve yapabilmek için eğittiğimiz bir sistemimiz olacak. buna göre kararlar. Bunun çoğu deterministik bir hesaplama yaklaşımından daha sofistike girdilerle soyutlanan bir yaklaşıma geçerek başarılmıştır.
