By ジョン・P・デズモンド、 AIトレンド エディター
AIは、過去50年間に学んだソフトウェア開発のすべてのルールと方法を捨てているわけではなく、それらの多くだけを捨てています。
ルールベースのAIシステムは、ルールベースのエキスパートシステム開発から借用しています。ルールベースのエキスパートシステム開発では、人間の専門家の知識を活用して、知識体系を通じて推論することで複雑な問題を解決します。 エキスパートシステムは1970年代と1980年代に登場しました。
知識は、手続き型コードではなく、if-then-elseルールによって表されます。 エキスパートシステムは、初期のAIの成功した形態と見なされていました。
今日、ルールベースのAIモデルには、一連のルールと一連の事実が含まれています。 人間/中になる。 「あなたは開発することができます 基本 これらXNUMXつのコンポーネントの助けを借りたAIモデル」と記事は述べています。
機械学習アプローチを使用して、システムはデータに見られるパターンに基づいて独自のルールセットを定義します。 機械学習システムは、統計を使用するモデルに依存して、トレーニングデータストリームに基づいて絶えず進化し、適応します。 機械学習モデルは通常、ルールベースのモデルよりも多くのデータを必要とします。
著者は、ルールベースのモデルに最適なプロジェクトは、出力がすぐに必要になる場合、または機械学習がエラーを起こしやすいと見なされる場合であると示唆しています。 機械学習モデルに最適なプロジェクトは、変化のペースが速く、設定されたルールのリストに要約するのが難しいプロジェクトです。
機械学習プログラム「自分たちで理解する」
ワークフロー自動化の「ノーコード」プラットフォームを提供しているCatalyticの製品担当副社長であるJeffGrisenthwaiteが、 触媒ブログ。 "機械学習を使用すると、コンピュータープログラムは、これらの目標を最もよく達成する方法を自分で理解でき、より多くのデータを取り込み、さまざまなシナリオの結果を体験することで、自給自足で改善できます」と彼は述べています。
「ルールベースのシステムでは、人々はプログラムが意思決定を行う方法のロジックを定義します」と彼は付け加え、XNUMX年未満の経験を持つ候補者を失格にする求人プログラムの例を使用しました。 機械学習アプローチを使用して求職者を評価した場合、プログラムは、候補者が資格を取得または失格にしたときの例を含むトレーニングデータの大規模なセットを確認します。 「このプログラムは、パターンを特定し、その判断を新しいデータに適用して、次の求職者の優先順位を決定します」とGrisenthwaite氏は述べています。
ルールベースのアプローチまたは機械学習アプローチをいつ使用するかについては、 グリセンスウェイト 推奨される機械学習は、正確な予測を行うために何千もの関連データレコードが利用できる場合にのみ適用できます。 これには、セールスリードの資格、カスタマーサポートの自動応答、およびデータセット内のより多くの列に変換される多くの要因がある状況が含まれる可能性があります。
機械学習は、「パターンを見つけて、それぞれのルールを手動で作成するように人々に求めるよりも、データ内のパターンを識別するのに適しています」とGrisenthwaite氏は述べています。 この例としては、過去の販売価格と、場所、平方フィート、アメニティなどの要素のレビューに基づいて、不動産価格を予測するアルゴリズムがあります。 また、eコマースの推奨事項や売上予測などの急速に変化する環境では、「機械学習はルールベースのシステムを打ち負かします」と彼は述べています。
ルールベースのシステムは、少量のデータと非常に単純なルールを必要とするアプリケーションに最適です。 例としては、さまざまなレベルでの管理者の承認を必要とするドルのしきい値を定義する経費報告書の承認や、キーワードのリストを使用して宛先を決定する電子メールルーティングがあります。
一部のシステムは、ルールベースと機械学習を組み合わせています。 広告ビジネスのあるCatalyticの顧客は、ルールベースのシステムを使用して、提案依頼書の要求に関する以前の質問に対する回答のライブラリを検索します。 次に、フィルタリングされたライブラリでより関連性が高いと見なされた回答が機械学習アルゴリズムによってスキャンされ、各質問に対する最良の回答が予測されます。
「ルールベースのシステムと機械学習を組み合わせることで、それぞれのアプローチで他のアプローチの欠点を補うことができます」とGrisenthwaite氏は述べています。
「AIの全宇宙」は、ルールベースまたは学習ベースに分けることができます
XNUMXつの見方は、ルールベースの手法と機械学習手法の「AIの全世界をこれらのXNUMXつのグループに分割できる」というものです。 トリセンティス、AIに基づくソフトウェアテストシステムのサプライヤー。
著者らは、「機械学習技術によってAIを実現するコンピューターシステムを学習システムと呼びます」と付け加えました。 また、ルールベースのシステムの目標は、専門分野の人間の専門家の知識を収集し、それをコンピューターシステム内に具体化することです。
"それでおしまい。 したがって、ルールベースのシステムをAIの最も単純な形式と見なしましょう」と著者は述べ、基礎となる知識ベースのサイズによって制限され、「狭いAI」を実装しました。
ルールベースのシステムのジレンマは、矛盾するルールを導入せずに大規模な知識ベースにルールを追加することの難しさです。 「これらのシステムのメンテナンスは、多くの場合、時間と費用がかかりすぎます」と著者は述べています。 その結果、ルールベースのシステムは、複雑なドメインまたは複数の単純なドメインにわたる問題の解決にはあまり役立ちません。
機械学習システムのもうXNUMXつの問題は、システムの内部動作を抽出できないため、システムがどのように決定を下したかについての洞察が不足しているブラックボックスが発生することです。 「これは多くのアプリケーションにとって大きな問題です」と著者は述べています。 たとえば、平等信用機会法では、信用の申請には、取られた措置の具体的な理由を提供する必要があります。
ブラックボックスの意思決定によって引き起こされる問題のバリエーションは、ニューヨークのマウントサイナイ病院の研究者が約700,000万人の病院の記録データベースに学習システムを適用した経験です。 結果として得られる学習システムは、 深い患者、病気の予測に非常に優れていることが判明しました。 統合失調症のような精神障害の発症を予測しているようにさえ見えましたが、これは医師が予測するのは非常に困難です。 「DeepPatientは、これがどのように行われるかについての手がかりを提供していません」と著者は述べ、現在はTempusLabsのチーフサイエンティフィックオフィサーであるMountSinaiチームの元リーダーであるJoelDudleyに言及し、医療におけるAIの実用化を通じて精密医療を推進しています。 。
「これらのモデルを構築することはできますが、どのように機能するかはわかりません」とダドリー氏は述べています。
