By John P.Desmond, AI Trends editor
AI gooit niet alle regels en methoden van softwareontwikkeling weg die de afgelopen 50 jaar zijn geleerd, maar veel ervan.
Regelgebaseerde AI-systemen lenen van regelgebaseerde ontwikkeling van expertsystemen, die gebruik maakten van de kennis van menselijke experts om complexe problemen op te lossen door te redeneren door middel van kennisgroepen. Expertsystemen ontstonden in de jaren zeventig en tachtig.
De kennis zou worden weergegeven door middel van if-then-else-regels in plaats van procedurele code. Expertsystemen werden beschouwd als succesvolle vormen van vroege AI.
Tegenwoordig bevatten op regels gebaseerde AI-modellen een reeks regels en een reeks feiten, beschreven in een recent verslag in Menselijk / gemiddeld worden “Je kunt een basis- AI-model met behulp van deze twee componenten ”, stelt het artikel.
Met behulp van een machine learning-benadering definieert het systeem zijn eigen set regels op basis van patronen die het in gegevens ziet. Het machine learning-systeem evolueert en past zich voortdurend aan op basis van trainingsdatastromen, gebaseerd op modellen die statistieken gebruiken. Modellen voor machine learning hebben doorgaans meer gegevens nodig dan op regels gebaseerde modellen.
De auteur suggereert dat de beste projecten voor regelgebaseerde modellen zijn wanneer de output snel nodig is of machine-learning als te foutgevoelig wordt beschouwd. De beste projecten voor modellen voor machine learning zijn die met een hoog tempo van verandering en die moeilijk samen te vatten zijn tot een lijst met vaste regels.
Machine learning-programma's "Zoek zelf uit"
Een enigszins vergelijkbare mening werd geuit door Jeff Grisenthwaite, VP of Product bij Catalytic, een bedrijf dat een workflowautomatiseringsplatform zonder code aanbiedt, in een interview gepubliceerd in de Katalytische blog. "Met machine learning kunnen de computerprogramma's zelf uitzoeken hoe ze die doelen het beste kunnen bereiken en kunnen ze zichzelf voldoende verbeteren naarmate ze meer gegevens opnemen en de resultaten van verschillende scenario's ervaren, ”zei hij.
"Met op regels gebaseerde systemen bepalen mensen de logica voor hoe de programma's beslissingen nemen", voegde hij eraan toe, waarbij hij het voorbeeld gebruikte van een programma voor het werven van banen dat kandidaten met minder dan vijf jaar ervaring diskwalificeert. Als een machine learning-benadering zou worden gebruikt om sollicitanten te evalueren, zou het programma een grote reeks trainingsgegevens bekijken, waaronder voorbeelden van wanneer kandidaten gekwalificeerd of gediskwalificeerd werden. "Het programma identificeert patronen en past zijn oordeel toe op nieuwe gegevens die binnenkomen, en bepaalt zo een prioriteitsrangschikking van de inkomende sollicitanten", aldus Grisenthwaite.
Over wanneer een op regels gebaseerde benadering of een machine-learningbenadering moet worden gebruikt, Grisenthwaite voorgestelde machine learning is alleen van toepassing als er duizenden relevante gegevensrecords beschikbaar zijn om nauwkeurige voorspellingen te doen. Dit kunnen kwalificaties van verkoopleiders, automatische reacties van klantenondersteuning en situaties zijn met veel factoren die zich vertalen in meer kolommen in een gegevensset.
Machine learning "is beter uitgerust om patronen in de gegevens te identificeren dan mensen te vragen om de patronen te vinden en handmatig regels voor elk van hen te ontwikkelen", aldus Grisenthwaite. Een voorbeeld hiervan zijn algoritmen die vastgoedprijzen voorspellen, op basis van een overzicht van historische verkoopprijzen en factoren zoals locatie, vierkante meters en voorzieningen. Ook voor snel veranderende omgevingen, zoals e-commerce aanbevelingen en verkoopprognoses, "verslaat machine learning op regels gebaseerde systemen", zei hij.
Op regels gebaseerde systemen zijn het meest geschikt voor toepassingen die kleinere hoeveelheden gegevens en zeer eenvoudige regels nodig hebben. Voorbeelden zijn goedkeuringen van onkostendeclaraties die drempels voor dollars definiëren waarvoor managementgoedkeuring op verschillende niveaus vereist is, of e-mailrouting waarbij een lijst met trefwoorden wordt gebruikt om de bestemming te bepalen.
Sommige systemen combineren op regels gebaseerd met machine learning. Een Catalytic-klant in de reclamebranche gebruikt een op regels gebaseerd systeem om te zoeken in een bibliotheek met antwoorden op eerdere vragen over verzoeken om voorstelformulieren. De antwoorden die in die gefilterde bibliotheek als relevanter worden beschouwd, worden vervolgens gescand door een algoritme voor machine learning om het beste antwoord op elke vraag te voorspellen.
"Door op regels gebaseerde systemen te combineren met machine learning, kan elke benadering de tekortkomingen van de andere compenseren ”, aldus Grisenthwaite.
"Het hele universum van AI" kan worden onderverdeeld in op regels gebaseerd of op leren gebaseerd
Eén mening is dat 'het hele universum van AI kan worden opgesplitst in deze twee groepen' van regelgebaseerde technieken en technieken voor machine learning, suggereert een verslag van Tricentis, leverancier van een software testsysteem op basis van AI.
De auteurs voegden eraan toe: "Een computersysteem dat AI bereikt door middel van een machine learning-techniek wordt een leersysteem genoemd." En het doel van een op regels gebaseerd systeem is om de kennis van een menselijke expert in een gespecialiseerd domein vast te leggen en te belichamen in een computersysteem.
"Dat is het. Laten we dus op regels gebaseerde systemen beschouwen als de eenvoudigste vorm van AI, 'verklaarden de auteurs, beperkt door de omvang van de onderliggende kennisbasis, en implementeerden ze dus een' smalle AI '.
Een dilemma van op regels gebaseerde systemen is de moeilijkheid om regels toe te voegen aan een grote kennisbasis zonder tegenstrijdige regels te introduceren. "Het onderhoud van deze systemen wordt dan vaak te tijdrovend en duur", stellen de auteurs. Als gevolg hiervan zijn op regels gebaseerde systemen minder nuttig voor het oplossen van problemen in complexe domeinen of over meerdere eenvoudige domeinen heen.
Een ander probleem met machine learning-systemen is dat de interne werking van het systeem niet kan worden geëxtraheerd, wat resulteert in een black box, een gebrek aan inzicht in hoe het systeem zijn beslissing heeft genomen. "Dit is een groot probleem voor veel toepassingen", stellen de auteurs. Zo schrijft de Wet gelijke kansen op krediet voor dat kredietaanvragen moeten worden voorzien van een specifieke motivering voor de genomen maatregelen.
Een variatie op de problemen die door de besluitvorming in een zwarte doos worden veroorzaakt, is de ervaring van onderzoekers van het Mount Sinai Hospital in New York, met het toepassen van een leersysteem op de databank van ziekenhuizen met gegevens van ongeveer 700,000 personen. Het resulterende leersysteem, genaamd Diepe patiënt, bleek erg goed te zijn in het voorspellen van ziekten. Het leek zelfs te anticiperen op het ontstaan van psychiatrische stoornissen zoals schizofrenie, wat voor artsen moeilijk te voorspellen is, redelijk goed. "Deep Patient biedt geen idee hoe het dit doet", zeggen de auteurs, verwijzend naar Joel Dudley, voormalig leider van het Mount Sinai-team, nu Chief Scientific Officer bij Tempus Labs, dat precisiegeneeskunde bevordert door de praktische toepassing van AI in de gezondheidszorg. .
"We kunnen deze modellen bouwen, maar we weten niet hoe ze werken", zei Dudley.
Lees de bronartikelen en informatie op Menselijk / gemiddeld worden, in de Katalytische blog, bij Tricentis en bij Diepe patiënt.
