Q:
Làm thế nào để một cách tiếp cận có trọng số hoặc theo chế độ tập sự giúp AI vượt ra khỏi cách tiếp cận hoàn toàn dựa trên quy tắc hoặc xác định?
A:Nguyên lý học máy và trí tuệ nhân tạo đang thay đổi nhanh chóng cách thức hoạt động của máy tính. Một trong những cách quan trọng mà điều này đang xảy ra là với các đầu vào có trọng số hoặc xác suất thay đổi đầu vào từ một hệ thống xác định thực sự thành một thứ gì đó trừu tượng hơn.
Trong các mạng nơ ron nhân tạo, các nơ-ron riêng lẻ hoặc các đơn vị nhận đầu vào xác suất. Sau đó, họ đưa ra quyết định về đầu ra hoặc kết quả. Đây là những gì các chuyên gia đang nói về khi họ nói về việc thay thế thế giới lập trình cũ bằng một thế giới mới của máy tính đào tạo giáo dục dạy học hoặc máy tính giảng dạy.
Theo truyền thống, mặc định là sử dụng lập trình để có kết quả tính toán. Lập trình là một tập hợp cố định các đầu vào xác định - các quy tắc mà máy tính sẽ tuân theo.
Ngược lại, cho phép các đầu vào xác suất là một sự trừu tượng hóa của các quy tắc này, một kiểu làm chậm lại các dây cương để giải phóng máy tính để đưa ra các quyết định nâng cao hơn. Theo một cách nào đó, các đầu vào xác suất là không thể biết được từ góc độ bên ngoài và không được xác định trước. Điều này gần với cách mà bộ não thực tế của chúng ta hoạt động, và đó là lý do tại sao các thuật toán học máy và trí tuệ nhân tạo sử dụng phương pháp này đang được ca ngợi là biên giới tiếp theo của sự phát triển nhận thức nhân tạo.
Đây là một cách dễ dàng để suy nghĩ về đầu vào có trọng số hoặc xác suất. Trong lập trình truyền thống, bạn đã có loại câu lệnh if / then mà nói chung: nếu NÀY, thì RATNG.
Đi ra ngoài cách tiếp cận dựa trên quy tắc liên quan đến việc thay đổi những gì NÀY. Theo cách tiếp cận dựa trên quy tắc, ĐÂY là một số nhập văn bản hoặc quy tắc: Nếu bạn nghĩ đó là nhị phân - chúng tôi biết liệu nó có đúng hay không và máy tính cũng vậy. Vì vậy, bạn có thể dự đoán phản ứng của máy tính với bất kỳ đầu vào nào.
Theo cách tiếp cận mới, NÀY thực sự là một tập hợp các đầu vào có thể ở bất kỳ trạng thái nào. Vì vậy, vì một người quan sát bên ngoài sẽ không thể dễ dàng mô hình hóa cái này bao gồm cái gì, anh ta hoặc cô ta không thể dự đoán chính xác kết quả THAT có thể là gì.
Hãy suy nghĩ về nguyên tắc này được áp dụng cho tất cả các lĩnh vực và ngành công nghiệp, từ phân khúc thị trường đến xác minh tài chính đến giải trí và quản lý hệ thống thoát nước, và bạn có sức mạnh thực sự của học máy, học sâu và trí tuệ nhân tạo để hướng vấn đề của con người vào một vấn đề rất mới đường. Ví dụ, trong lĩnh vực quản lý gian lận, các chuyên gia chỉ ra rằng các hệ thống chỉ có quy tắc không thể tìm ra sự khác biệt giữa hành vi đáng ngờ hoặc rủi ro và hành vi thông thường - hệ thống máy học được trang bị mô hình đầu vào tinh vi có khả năng đưa ra quyết định cao hơn về những hoạt động có thể là nghi vấn.
Một cách khác để nghĩ về nó là thế giới đã trải qua một kỷ nguyên xác định mã là một biên giới mới để học hỏi và ra quyết định. Nói chung, các kết quả dựa trên mã xác định rất mạnh về mặt mô hình hóa tất cả các loại hoạt động và quyết định của con người. Chúng tôi đã áp dụng tất cả những ý tưởng này vào tiếp thị, bán hàng, quản trị công cộng, v.v. Nhưng bây giờ, các chuyên gia đang nói về sự kết thúc của tiền mã hóa, như trong phần rất sâu sắc và mang tính hướng dẫn này trong Wired. Ý tưởng chiếm ưu thế ở đây là cùng một ý tưởng, trong thời đại tiếp theo, thay vì mã hóa, chúng ta sẽ có một hệ thống nơi chúng ta đào tạo máy tính để suy nghĩ theo cách gần với cách chúng ta suy nghĩ, có thể học theo thời gian và thực hiện quyết định phù hợp. Phần lớn điều này đã được thực hiện bằng cách chuyển từ một phương pháp tính toán xác định sang một phương pháp được trừu tượng hóa bằng các đầu vào tinh vi hơn.
