D:
In che modo un approccio ponderato o probabalistico aiuta l'IA a superare un approccio puramente basato su regole o deterministico?
UN:I principi di machine learning e intelligenza artificiale stanno rapidamente cambiando il funzionamento dell'informatica. Uno dei modi chiave in cui ciò sta accadendo è con input ponderati o probabilistici che cambiano input da un sistema veramente deterministico a qualcosa di più astratto.
Nelle reti neurali artificiali, i singoli neuroni o unità ricevono input probabilistici. Quindi determinano l'output o il risultato. Questo è ciò di cui parlano i professionisti quando parlano di sostituire il vecchio mondo della programmazione con un nuovo mondo di "formazione" o "insegnamento" dei computer.
Tradizionalmente, il default era usare la programmazione per ottenere risultati di calcolo. La programmazione è un insieme fisso di input deterministici, regole che il computer seguirà fedelmente.
Al contrario, consentire input probabilistici è un'astrazione di queste regole, una sorta di "allentamento delle redini" per liberare il computer per prendere decisioni più avanzate. In un certo senso, gli input probabilistici sono inconoscibili da una prospettiva esterna e non predeterminati. Questo è più vicino al modo in cui funzionano i nostri cervelli reali, ed è per questo che gli algoritmi di machine learning e intelligenza artificiale che utilizzano questo approccio vengono salutati come la prossima frontiera dello sviluppo cognitivo artificiale.
Ecco un modo semplice di pensare a input ponderati o probabilistici. Nella programmazione tradizionale, avevi il tipo di istruzione "if / then" che generalmente dice: if THIS, then THAT.
Andare oltre l'approccio basato su regole implica cambiare ciò che QUESTO è. In un approccio basato su regole, QUESTO è un input di testo o una regola: se lo consideri come un file binario, sappiamo se è vero o no, e anche il computer. Quindi puoi prevedere la risposta del computer a qualsiasi dato input.
Nel nuovo approccio, QUESTO è in realtà una raccolta di input che può trovarsi in un determinato stato. Quindi, dal momento che un osservatore esterno non sarebbe in grado di modellare in cosa consiste QUESTO, non potrebbe prevedere con precisione quale potrebbe essere quel risultato.
Pensa a questo principio applicato a tutti i tipi di campi e industrie, dalla segmentazione del mercato alla verifica finanziaria all'intrattenimento alla gestione delle risorse idriche e fognarie, e hai il vero potere di machine learning, deep learning e intelligenza artificiale per dirigere gli affari umani in un nuovissimo modo. Ad esempio, nel campo della gestione delle frodi, gli esperti sottolineano che i sistemi solo regole non sono molto bravi a capire la differenza tra comportamento sospetto o rischioso e comportamento normale - i sistemi di apprendimento automatico armati con sofisticati modelli di input sono più in grado di prendere decisioni su quale attività potrebbe essere discutibile.
Un altro modo di pensarci è che il mondo ha attraversato un'era di identificazione del codice come una nuova frontiera per l'apprendimento e il processo decisionale. Di per sé, i risultati deterministici basati sul codice erano potenti in termini di modellizzazione di tutti i tipi di attività e decisioni umane. Abbiamo applicato tutte queste idee al marketing, alle vendite, alla pubblica amministrazione, ecc. Ma ora gli esperti stanno parlando della "fine della programmazione", come in questo pezzo molto penetrante e istruttivo di Wired. L'idea predominante qui è la stessa idea, che nella prossima era, invece di scrivere codice, avremo un sistema in cui addestriamo i computer a pensare in modi più vicini a come pensiamo, per essere in grado di imparare nel tempo e fare decisioni di conseguenza. Gran parte di questo è stato realizzato passando da un approccio informatico deterministico a uno che è astratto con input più sofisticati.
