By John P. Desmond, Tendances de l'IA Éditeur
L'IA ne renonce pas à toutes les règles et méthodes de développement logiciel apprises au cours des 50 dernières années, mais beaucoup d'entre elles.
Les systèmes d'IA basés sur des règles empruntent au développement de systèmes experts basés sur des règles, qui exploitaient les connaissances d'experts humains pour résoudre des problèmes complexes en raisonnant à travers des ensembles de connaissances. Les systèmes experts sont apparus dans les années 1970 et 1980.
La connaissance serait représentée par des règles if-then-else plutôt que par un code de procédure. Les systèmes experts étaient considérés comme des formes réussies de l'IA précoce.
Aujourd'hui, les modèles d'IA basés sur des règles incluent un ensemble de règles et un ensemble de faits, décrits dans un compte rendu récent dans Devenir humain / moyen. «Vous pouvez développer un Essentiel Modèle d'IA avec l'aide de ces deux composants », déclare l'article.
En utilisant une approche d'apprentissage automatique, le système définit son propre ensemble de règles en fonction des modèles qu'il voit dans les données. Le système d'apprentissage automatique évolue et s'adapte en permanence en fonction des flux de données d'entraînement, en s'appuyant sur des modèles utilisant des statistiques. Les modèles d'apprentissage automatique nécessitent généralement plus de données que les modèles basés sur des règles.
L'auteur suggère que les meilleurs projets pour les modèles basés sur des règles sont lorsque la sortie est nécessaire rapidement ou lorsque l'apprentissage automatique est considéré comme trop sujet aux erreurs. Les meilleurs projets pour les modèles d'apprentissage automatique sont ceux avec un rythme de changement rapide et difficile à résumer à une liste de règles établies.
Les programmes d'apprentissage automatique «se débrouillent seuls»
Un point de vue quelque peu similaire a été exprimé par Jeff Grisenthwaite, vice-président des produits chez Catalytic, une entreprise proposant une plateforme d'automatisation des flux de travail «sans code», dans une interview publiée dans le Blog catalytique. "Avec l'apprentissage automatique, les programmes informatiques peuvent déterminer par eux-mêmes comment atteindre au mieux ces objectifs et peuvent s'améliorer de manière autonome en absorbant plus de données et en expérimentant les résultats de différents scénarios », a-t-il déclaré.
«Avec des systèmes basés sur des règles, les gens définissent la logique de la façon dont les programmes prennent des décisions», a-t-il ajouté, en utilisant l'exemple d'un programme de recrutement qui disqualifie les candidats ayant moins de cinq ans d'expérience. Si une approche d'apprentissage automatique était utilisée pour évaluer les candidats à un poste, le programme examinerait un vaste ensemble de données de formation comprenant des exemples de qualification ou de disqualification des candidats. "Le programme identifierait des modèles et appliquerait son jugement aux nouvelles données qui arrivent, déterminant un classement prioritaire des candidats à l'emploi entrants", a déclaré Grisenthwaite.
Quant à savoir quand utiliser une approche basée sur des règles ou une approche d'apprentissage automatique, Grisenthwaite L'apprentissage automatique suggéré n'est applicable que lorsque des milliers d'enregistrements de données pertinents sont disponibles pour effectuer des prédictions précises. Cela peut inclure les qualifications des prospects, les réponses automatiques du support client et les situations qui comportent de nombreux facteurs qui se traduisent par plus de colonnes dans un ensemble de données.
L'apprentissage automatique «est mieux équipé pour identifier des modèles dans les données que de demander aux gens à la fois de trouver les modèles et de développer manuellement des règles pour chacun d'eux», a déclaré Grisenthwaite. Un exemple de cela serait des algorithmes qui prédisent les prix de l'immobilier, sur la base d'un examen des prix de vente historiques et de facteurs tels que l'emplacement, la superficie en pieds carrés et les équipements. En outre, pour les environnements en évolution rapide tels que les recommandations de commerce électronique et les prévisions de ventes, «l'apprentissage automatique l'emporte sur les systèmes basés sur des règles», a-t-il déclaré.
Les systèmes basés sur des règles sont les mieux adaptés aux applications nécessitant des volumes de données plus faibles et des règles très simples. Les exemples incluent les approbations de notes de frais qui définissent des seuils en dollars qui nécessitent des approbations de la direction à différents niveaux, ou le routage des e-mails qui utilise une liste de mots-clés pour déterminer la destination.
Certains systèmes combinent des règles basées sur l'apprentissage automatique. Un client Catalytic dans le secteur de la publicité utilise un système basé sur des règles pour rechercher dans une bibliothèque de réponses à des questions antérieures sur les formulaires de demande de proposition. Les réponses considérées comme plus pertinentes dans cette bibliothèque filtrée sont ensuite analysées par un algorithme d'apprentissage automatique pour prédire la meilleure réponse à chaque question.
"La combinaison de systèmes basés sur des règles et d'apprentissage automatique permet à chaque approche de compenser les lacunes de l'autre », déclare Grisenthwaite.
«Tout l'univers de l'intelligence artificielle» peut être divisé en règles ou en apprentissage
Selon un point de vue, «l'univers entier de l'IA peut être divisé en deux groupes» de techniques basées sur des règles et de techniques d'apprentissage automatique, suggère un compte rendu de Tricentis, fournisseur d'un système de test logiciel basé sur l'IA.
Les auteurs ont ajouté: «Un système informatique qui réalise l'IA grâce à une technique d'apprentissage automatique est appelé un système d'apprentissage.» Et le but d'un système basé sur des règles est de capturer les connaissances d'un expert humain dans un domaine spécialisé et de les incarner dans un système informatique.
"C'est tout. Considérons donc les systèmes basés sur des règles comme la forme la plus simple d'IA », ont déclaré les auteurs, limités par la taille de sa base de connaissances sous-jacente, mettant ainsi en œuvre une« IA étroite ».
Un dilemme des systèmes basés sur des règles est la difficulté d'ajouter des règles à une large base de connaissances sans introduire de règles contradictoires. «La maintenance de ces systèmes devient alors souvent trop longue et coûteuse», déclarent les auteurs. En conséquence, les systèmes basés sur des règles sont moins utiles pour résoudre des problèmes dans des domaines complexes ou dans plusieurs domaines simples.
Un autre problème avec les systèmes d'apprentissage automatique est que le fonctionnement interne du système ne peut pas être extrait, ce qui entraîne une boîte noire, un manque de compréhension de la façon dont le système a pris sa décision. «C'est un problème majeur pour de nombreuses applications», déclarent les auteurs. La loi sur l'égalité des chances en matière de crédit, par exemple, exige que les demandes de crédit soient accompagnées des raisons spécifiques des mesures prises.
Une variante des problèmes posés par la prise de décision en boîte noire est l'expérience des chercheurs du Mount Sinai Hospital de New York, qui ont appliqué un système d'apprentissage à la base de données des hôpitaux sur les dossiers de quelque 700,000 XNUMX personnes. Le système d'apprentissage qui en résulte, appelé Patient profond, s'est avéré très efficace pour prédire la maladie. Il a même semblé anticiper assez bien l'apparition de troubles psychiatriques comme la schizophrénie, que les médecins ont du mal à prévoir. «Deep Patient n'offre aucune idée de la façon dont il fait cela», disent les auteurs, faisant référence à Joel Dudley, ancien chef de l'équipe Mount Sinai, maintenant directeur scientifique de Tempus Labs, qui fait progresser la médecine de précision grâce à l'application pratique de l'IA dans les soins de santé .
«Nous pouvons construire ces modèles, mais nous ne savons pas comment ils fonctionnent», a déclaré Dudley.
Lisez les articles et informations sources sur Devenir humain / moyen, Dans le Blog catalytique, à Tricentis et au Patient profond.
