K:
Kuinka painotettu tai todennäköisyysmalli auttaa AI: tä siirtymään puhtaasti sääntöihin perustuvan tai deterministisen lähestymistavan ulkopuolelle?
V:Koneoppiminen ja tekoälyn periaatteet muuttuvat nopeasti laskennan toimivuuden kannalta. Yksi keskeisistä tavoista, jolla tämä tapahtuu, on painotetut tai todennäköisyyspanokset, jotka muuttavat panokset todella deterministisestä järjestelmästä jotain abstraktimpaan.
Keinotekoisissa hermoverkoissa yksittäiset hermosolut tai yksiköt vastaanottavat todennäköisyystuloja. Sitten he päättävät tuloksesta tai tuloksesta. Tästä ammattilaiset puhuvat puhuttaessa ohjelmoinnin vanhan maailman korvaamisesta uudella tietokoneiden "koulutus" tai "opettaminen" -maailmalla.
Perinteisesti oletus oli käyttää ohjelmointia tulosten saamiseksi. Ohjelmointi on kiinteä sarja deterministisiä tuloja - sääntöjä, joita tietokone noudattaa uskollisesti.
Sitä vastoin todennäköisyyden syöttöjen salliminen on näiden sääntöjen abstrakti, eräänlainen ”ohjausten löysäminen” tietokoneen vapauttamiseksi edistyneempien päätösten tekemistä varten. Tavallaan todennäköisyyspanot ovat tuntemattomia ulkopuolelta eikä niitä ole ennalta määrätty. Tämä on lähempänä todellisten aivojemme toimintatapaa, ja siksi tätä lähestymistapaa käyttävät koneoppimista ja keinoälyn algoritmeja pidetään keinotekoisen kognitiivisen kehityksen seuraavana rajana.
Tässä on helppo tapa miettiä painotettuja tai todennäköisyyden syöttöjä. Perinteisessä ohjelmoinnissa sinulla oli tyyppi "jos / sitten" -lause, joka yleensä sanoo: jos tämä, niin se.
Siirtyminen sääntöpohjaisen lähestymistavan ulkopuolelle edellyttää muutosta, mikä tämä on. Sääntöpohjaisessa lähestymistavassa TÄMÄ on tekstinsyöttö tai sääntö: Jos ajattelet sitä binaarina - tiedämme onko se totta vai ei, ja niin myös tietokone. Joten voit ennustaa tietokoneen vasteen mihin tahansa syötteeseen.
Uudessa lähestymistavassa TÄMÄ on oikeastaan kokoelma syötettä, joka voi olla missä tahansa tilassa. Joten koska ulkopuolinen tarkkailija ei pystyisi helposti mallintamaan, mistä TÄMÄ koostuu, hän ei voinut tarkkaan ennustaa, mikä TÄMÄ tulos voi olla.
Ajattele tätä periaatetta, jota sovelletaan kaikenlaisiin aloihin ja teollisuudenaloihin, markkinoiden segmentoinnista taloudelliseen todentamiseen viihteeseen vesi- ja viemärihuoltoon, ja sinulla on koneen oppimisen, syvän oppimisen ja tekoälyn todellinen voima ohjata ihmisasioita hyvin uudessa tapa. Esimerkiksi petosten hallinnan alalla asiantuntijat huomauttavat, että vain sääntöihin perustuvat järjestelmät eivät ole kovin hyviä havaitsemaan eroa epäilyttävän tai riskialtisen käyttäytymisen ja normaalin käyttäytymisen välillä - hienostuneilla syöttömalleilla varustetut koneoppimisjärjestelmät kykenevät paremmin tekemään päätöksiä mitä toimintaa voi olla kyseenalaista.
Toinen tapa ajatella sitä on, että maailma meni läpi aikakauden, jolloin tunnistettiin koodi uudeksi rajaksi oppimiseen ja päätöksentekoon. Deterministiset koodipohjaiset tulokset olivat sinänsä tehokkaita kaikenlaisten ihmisten toiminnan ja päätösten mallintamisessa. Sovelimme kaikkia näitä ideoita markkinointiin, myyntiin, julkiseen hallintoon jne. Mutta nyt asiantuntijat puhuvat "koodauksen loppumisesta", kuten tässä erittäin oivallisessa ja opettavassa kappaleessa Wiredissä. Tässä hallitseva idea on sama ajatus, että seuraavalla aikakaudella meillä on koodauksen sijasta järjestelmä, jossa koulutamme tietokoneita ajattelemaan läheisemmin ajattelutapojamme, jotta voimme oppia ajan myötä ja tehdä päätökset vastaavasti. Suuri osa tästä on saatu aikaan siirtymällä deterministisestä laskentamenetelmästä lähestymistapaan, joka on abstrakti hienostuneemmilla tuloilla.
