Zephyrnet Logo

IA baseada em regras vs. aprendizado de máquina para desenvolvimento - qual é o melhor? 

Data:

Alguns aplicativos são melhor desenvolvidos usando IA baseada em regras e outros se encaixam em uma abordagem de aprendizado de máquina. Aprenda qual é qual. (Crédito: Getty Images) 

By John P. Desmond, Tendências AI editor  

A IA não está jogando fora todas as regras e métodos de desenvolvimento de software aprendidos nos últimos 50 anos, apenas muitos deles.   

Os sistemas de IA baseados em regras emprestam do desenvolvimento de sistemas especialistas baseados em regras, que aproveitou o conhecimento de especialistas humanos para resolver problemas complexos raciocinando por meio de corpos de conhecimento. Os sistemas especialistas surgiram nas décadas de 1970 e 1980.   

O conhecimento seria representado por meio de regras if-then-else em vez de código de procedimento. Os sistemas especialistas foram considerados formas de sucesso da IA ​​inicial.   

Hoje, os modelos de IA baseados em regras incluem um conjunto de regras e um conjunto de fatos, descritos em um relato recente em BecomingHuman / Medium. “Você pode desenvolver um basic Modelo de IA com a ajuda desses dois componentes ”, afirma o artigo. 

Usando uma abordagem de aprendizado de máquina, o sistema define seu próprio conjunto de regras com base nos padrões que vê nos dados. O sistema de aprendizado de máquina evolui e se adapta constantemente com base em fluxos de dados de treinamento, contando com modelos que usam estatísticas. Os modelos de aprendizado de máquina geralmente requerem mais dados do que os modelos baseados em regras.  

O autor sugere que os melhores projetos para modelos baseados em regras são quando a saída é necessária rapidamente ou o aprendizado de máquina é visto como muito sujeito a erros. Os melhores projetos para modelos de aprendizado de máquina são aqueles com um ritmo acelerado de mudança e difíceis de resumir em uma lista de regras definidas. 

Programas de aprendizado de máquina “descobrir por si mesmos”  

Jeff Grisenthwaite, VP de Produto, Catalytic

Uma visão um tanto semelhante foi expressa por Jeff Grisenthwaite, VP de Produto da Catalytic, uma empresa que oferece uma plataforma de automação de fluxo de trabalho "sem código", em uma entrevista publicada em do Blog Catalítico. "Com o aprendizado de máquina, os programas de computador podem descobrir por si mesmos a melhor forma de atingir esses objetivos e podem melhorar de forma autossuficiente à medida que absorvem mais dados e experimentam os resultados de diferentes cenários ”, afirmou.  

“Com sistemas baseados em regras, as pessoas definem a lógica de como os programas tomam decisões”, acrescentou, usando o exemplo de um programa de recrutamento de empregos que desqualifica candidatos com menos de cinco anos de experiência. Se uma abordagem de aprendizado de máquina fosse usada para avaliar os candidatos a empregos, o programa analisaria um grande conjunto de dados de treinamento que inclui exemplos de quando os candidatos foram qualificados ou desqualificados. “O programa identificaria padrões e aplicaria seu julgamento aos novos dados que chegassem, determinando uma classificação de prioridade dos novos candidatos a empregos”, declarou Grisenthwaite. 

Quanto a quando usar uma abordagem baseada em regras ou uma abordagem de aprendizado de máquina, Grisenthwaite O aprendizado de máquina sugerido só é aplicável quando milhares de registros de dados relevantes estão disponíveis para fazer previsões precisas. Isso pode incluir qualificações de leads de vendas, respostas automáticas de suporte ao cliente e situações que possuem muitos fatores que se traduzem em mais colunas em um conjunto de dados.  

O aprendizado de máquina “está melhor equipado para identificar padrões nos dados do que pedir que as pessoas encontrem os padrões e desenvolvam regras manualmente para cada um deles”, afirmou Grisenthwaite. Um exemplo disso seriam os algoritmos que prevêem os preços dos imóveis, com base em uma revisão dos preços históricos de vendas e fatores, incluindo localização, metragem quadrada e amenidades. Além disso, para ambientes que mudam rapidamente, como recomendações de e-commerce e previsões de vendas, “O aprendizado de máquina supera os sistemas baseados em regras”, afirmou. 

Os sistemas baseados em regras são mais adequados para aplicativos que precisam de volumes menores de dados e regras muito diretas. Os exemplos incluem aprovações de relatórios de despesas que definem limites de dólares que requerem aprovações de gerenciamento em vários níveis ou roteamento de e-mail que usa uma lista de palavras-chave para determinar o destino.  

Alguns sistemas combinam o aprendizado de máquina baseado em regras. Um cliente Catalytic no negócio de publicidade usa um sistema baseado em regras para pesquisar em uma biblioteca de respostas a perguntas anteriores sobre solicitações de formulários de propostas. As respostas consideradas mais relevantes nessa biblioteca filtrada são então verificadas por um algoritmo de aprendizado de máquina para prever a melhor resposta para cada pergunta.   

"Combinar sistemas baseados em regras com aprendizado de máquina permite que cada abordagem compense as deficiências da outra ”, afirma Grisenthwaite.  

“Todo o Universo da IA” pode ser dividido em baseado em regras ou baseado em aprendizagem 

Uma visão é que "todo o universo da IA ​​pode ser dividido em dois grupos" de técnicas baseadas em regras e técnicas de aprendizado de máquina, sugere um relato de Tricentis, fornecedor de um sistema de teste de software baseado em IA.   

Os autores acrescentaram: “Um sistema de computador que alcança IA por meio de uma técnica de aprendizado de máquina é chamado de sistema de aprendizado”. E o objetivo de um sistema baseado em regras é capturar o conhecimento de um especialista humano em um domínio especializado e incorporá-lo em um sistema de computador.   

"É isso. Portanto, vamos considerar os sistemas baseados em regras como a forma mais simples de IA ”, afirmaram os autores, limitados pelo tamanho de sua base de conhecimento subjacente, implementando assim uma“ IA estreita ”. 

Um dilema dos sistemas baseados em regras é a dificuldade de adicionar regras a uma grande base de conhecimento sem introduzir regras contraditórias. “A manutenção desses sistemas muitas vezes se torna muito demorada e cara”, afirmam os autores. Como resultado, os sistemas baseados em regras são menos úteis para resolver problemas em domínios complexos ou em vários domínios simples.  

Outro problema com os sistemas de aprendizado de máquina é que o funcionamento interno do sistema não pode ser extraído, resultando em uma caixa preta, uma falta de percepção de como o sistema tomou sua decisão. “Este é um grande problema para muitas aplicações”, afirmam os autores. O Equal Credit Opportunity Act, por exemplo, exige que os pedidos de crédito sejam fornecidos com os motivos específicos para as ações tomadas.   

Dr. Joel Dudley, Diretor Científico, Tempus

Uma variação dos problemas apresentados pela tomada de decisão da caixa preta é a experiência de pesquisadores do Hospital Mount Sinai, em Nova York, ao aplicar um sistema de aprendizagem ao banco de dados de registros dos hospitais de cerca de 700,000 indivíduos. O sistema de aprendizagem resultante, chamado Paciente Profundo, revelou-se muito bom em prever doenças. Ele até parecia antecipar o início de transtornos psiquiátricos como a esquizofrenia, que é difícil para os médicos preverem muito bem. “Deep Patient não oferece nenhuma pista de como ele faz isso”, dizem os autores, referindo-se a Joel Dudley, ex-líder da equipe do Monte Sinai, agora diretor científico do Tempus Labs, que avança a medicina de precisão por meio da aplicação prática da IA ​​na saúde .  

“Podemos construir esses modelos, mas não sabemos como eles funcionam”, disse Dudley.   

Leia os artigos e informações de origem em  BecomingHuman / Medium, Na Blog Catalítico, em Tricentis e em Paciente Profundo. 

Fonte: https://www.aitrends.com/software-development-2/rule-based-ai-vs-machine-learning-for-development-which-is-best/

local_img

Inteligência mais recente

local_img