Q:
Como uma abordagem ponderada ou probabalística ajuda a IA a ir além de uma abordagem puramente baseada em regras ou determinística?
UMA:Os princípios de aprendizado de máquina e inteligência artificial estão mudando rapidamente o funcionamento da computação. Uma das principais maneiras pelas quais isso está acontecendo é com entradas ponderadas ou probabilísticas que alteram as entradas de um sistema verdadeiramente determinístico para algo mais abstrato.
Nas redes neurais artificiais, neurônios ou unidades individuais recebem entradas probabilísticas. Eles então determinam a saída ou o resultado. É disso que os profissionais estão falando quando falam em substituir o velho mundo da programação por um novo mundo de computadores de "treinamento" ou "ensino".
Tradicionalmente, o padrão era usar a programação para obter resultados de computação. A programação é um conjunto fixo de entradas determinísticas - regras que o computador seguirá fielmente.
Por outro lado, permitir entradas probabilísticas é uma abstração dessas regras, uma espécie de "folga das rédeas" para liberar o computador e tomar decisões mais avançadas. De certa forma, as entradas probabilísticas são desconhecidas de uma perspectiva externa e não são predeterminadas. Isso está mais próximo da maneira como nossos cérebros funcionam, e é por isso que os algoritmos de aprendizado de máquina e inteligência artificial que usam essa abordagem estão sendo saudados como a próxima fronteira do desenvolvimento cognitivo artificial.
Aqui está uma maneira fácil de pensar em entradas ponderadas ou probabilísticas. Na programação tradicional, você tinha o tipo de instrução "if / then" que geralmente diz: se ISSO, então ISSO.
Ir além da abordagem baseada em regras envolve mudar o que é ISSO. Em uma abordagem baseada em regras, ESTA é uma entrada ou regra de texto: se você pensa nisso como um binário - sabemos se é verdade ou não, e o computador também. Assim, você pode prever a resposta do computador a qualquer entrada.
Na nova abordagem, ESTA é realmente uma coleção de entradas que podem estar em qualquer estado. Portanto, como um observador externo não seria capaz de modelar com facilidade o que ISTO consiste, ele não poderia prever com precisão qual seria esse resultado.
Pense neste princípio aplicado a todos os tipos de campos e indústrias, da segmentação de mercado à verificação financeira, entretenimento e gerenciamento de água e esgoto, e você tem o poder real de aprendizado de máquina, aprendizado profundo e inteligência artificial para direcionar os assuntos humanos de uma maneira muito nova. caminho. Por exemplo, no campo do gerenciamento de fraudes, especialistas apontam que sistemas somente para regras não são muito bons para descobrir a diferença entre comportamento suspeito ou arriscado e comportamento normal - sistemas de aprendizado de máquina armados com modelos sofisticados de entrada são mais capazes de tomar decisões sobre qual atividade pode ser questionável.
Outra maneira de pensar é que o mundo passou por uma era de identificação de código como uma nova fronteira para aprendizado e tomada de decisão. Por si só, os resultados determinísticos baseados em código foram poderosos em termos de modelagem de todos os tipos de atividades e decisões humanas. Aplicamos todas essas idéias ao marketing, vendas, administração pública etc. Mas agora, os especialistas estão falando sobre "o fim da codificação", como nesta peça muito perspicaz e instrutiva da Wired. A idéia predominante aqui é a mesma, que na próxima era, em vez de codificar, teremos um sistema em que treinamos computadores para pensar de maneiras mais próximas de como pensamos, para poder aprender ao longo do tempo e criar decisões em conformidade. Muito disso foi conseguido passando de uma abordagem de computação determinística para uma que é abstraída com entradas mais sofisticadas.
