By John P.Desmond, AI Eğilimleri editör
Yapay zeka, son 50 yılda öğrenilen yazılım geliştirmenin tüm kurallarını ve yöntemlerini atmıyor, sadece çoğunu.
Kural tabanlı AI sistemleri, karmaşık problemleri bilgi yapıları aracılığıyla akıl yürütme yoluyla çözmek için insan uzmanların bilgilerinden yararlanan kural tabanlı uzman sistem geliştirmeden ödünç alır. Uzman sistemler 1970'lerde ve 1980'lerde ortaya çıktı.
Bilgi, prosedürel kod yerine eğer-o zaman-ise kuralları aracılığıyla temsil edilecektir. Uzman sistemler, erken yapay zekanın başarılı biçimleri olarak kabul edildi.
Bugün, kural tabanlı AI modelleri, bir dizi kural ve bir dizi olguyu içerir. İnsan Olmak / Orta. "Bir temel Bu iki bileşenin yardımıyla yapay zeka modeli ”yazıda belirtiliyor.
Bir makine öğrenimi yaklaşımı kullanarak sistem, verilerde gördüğü kalıplara göre kendi kural kümesini tanımlar. Makine öğrenimi sistemi, istatistik kullanan modellere dayanarak eğitim veri akışlarına dayalı olarak sürekli olarak gelişir ve uyarlanır. Makine öğrenimi modelleri genellikle kural tabanlı modellerden daha fazla veri gerektirir.
Yazar, kurala dayalı modeller için en iyi projelerin, çıktıya hızlı bir şekilde ihtiyaç duyulduğu veya makine öğreniminin çok hataya açık olduğu görüldüğünü öne sürüyor. Makine öğrenimi modelleri için en iyi projeler, hızlı bir değişim hızına sahip olan ve belirlenen kurallar listesine indirilmesi zor olan projelerdir.
Makine Öğrenimi Programları "Kendilerini Anlayın"
Bir iş akışı otomasyonu "kodsuz" platformu sunan bir şirket olan Catalytic'in Ürün Başkan Yardımcısı Jeff Grisenthwaite tarafından biraz benzer bir görüş, the Katalitik Blog. "Makine öğrenimi ile, bilgisayar programları bu hedeflere en iyi şekilde nasıl ulaşılacağını kendileri çözebilir ve daha fazla veri aldıkça ve farklı senaryoların sonuçlarını deneyimledikçe kendi kendine yeterli bir şekilde gelişebilirler ”dedi.
Beş yıldan daha az deneyime sahip adayları diskalifiye eden bir işe alım programı örneğini kullanarak, “Kurallara dayalı sistemlerle, insanlar programların nasıl karar verdiklerinin mantığını tanımlarlar” diye ekledi. İş adaylarını değerlendirmek için bir makine öğrenimi yaklaşımı kullanılmış olsaydı, program, adayların ne zaman kalifiye olduklarına veya diskalifiye olduklarına dair örnekleri içeren geniş bir eğitim verisi kümesini incelerdi. Grisenthwaite, "Program kalıpları belirleyecek ve kararını gelen yeni verilere uygulayacak ve gelen iş adaylarının öncelik sıralamasını belirleyecektir" dedi.
Kural tabanlı bir yaklaşımın veya makine öğrenimi yaklaşımının ne zaman kullanılacağına gelince, Grisenthwaite önerilen makine öğrenimi, yalnızca doğru tahminler yapmak için binlerce ilgili veri kaydı mevcut olduğunda uygulanabilir. Bu, satış lideri nitelikleri, müşteri desteği otomatik yanıtları ve bir veri kümesinde daha fazla sütuna dönüşen birçok faktöre sahip durumları içerebilir.
Grisenthwaite, makine öğreniminin "verilerdeki kalıpları belirlemek için insanlardan hem kalıpları bulmalarını hem de her biri için kuralları manuel olarak geliştirmelerini istemekten daha donanımlı" dedi. Bunun bir örneği, geçmiş satış fiyatlarının ve konum, kare görüntü ve olanaklar dahil faktörlerin incelemesine dayalı olarak gayrimenkul fiyatlarını tahmin eden algoritmalar olabilir. Ayrıca, e-ticaret önerileri ve satış tahmini gibi hızla değişen ortamlar için, “Makine öğrenimi, kurallara dayalı sistemleri geride bırakıyor” dedi.
Kural tabanlı sistemler, daha düşük veri hacimlerine ve çok basit kurallara ihtiyaç duyan uygulamalar için en uygunudur. Örnekler arasında, çeşitli düzeylerde yönetim onayları gerektiren dolar eşiklerini tanımlayan gider raporu onayları veya hedefi belirlemek için bir anahtar sözcük listesi kullanan e-posta yönlendirmesi sayılabilir.
Bazı sistemler, kural tabanlı ile makine öğrenimini birleştirir. Reklamcılık işindeki bir Catalytic müşterisi, teklif formları talepleriyle ilgili önceki sorulara verilen cevaplardan oluşan bir kitaplıkta arama yapmak için kurallara dayalı bir sistem kullanır. Filtrelenmiş kitaplıkta daha alakalı olduğu düşünülen yanıtlar, daha sonra her soruya en iyi yanıtı tahmin etmek için bir makine öğrenimi algoritması tarafından taranır.
"Kurallara dayalı sistemleri makine öğrenimi ile birleştirmek, her yaklaşımın diğerinin eksikliklerini gidermesini sağlıyor ”diyor Grisenthwaite.
"Yapay Zekanın Tüm Evreni" Kural Tabanlı veya Öğrenmeye Dayalı Olarak Bölünebilir
Bir görüş, "AI evreninin tamamının, kural tabanlı teknikler ve makine öğrenimi tekniklerinden oluşan bu iki gruba ayrılabileceğidir", Tricentis, AI tabanlı bir yazılım test sisteminin tedarikçisi.
Yazarlar, "Makine öğrenimi tekniği aracılığıyla yapay zekaya ulaşan bir bilgisayar sistemine öğrenme sistemi adı verilir" diye ekledi. Kurala dayalı bir sistemin amacı, uzman bir alandaki bir insan uzmanının bilgilerini yakalamak ve bunu bir bilgisayar sistemi içinde somutlaştırmaktır.
"Bu kadar. Öyleyse kurala dayalı sistemleri yapay zekanın en basit biçimi olarak ele alalım, ”diyor yazarlar, temeldeki bilgi tabanının boyutuyla sınırlı, böylece" dar bir yapay zeka "uyguluyor.
Kural tabanlı sistemlerin ikilemi, çelişkili kurallar getirmeden geniş bir bilgi tabanına kurallar eklemenin zorluğudur. Yazarlar, "Bu sistemlerin bakımı genellikle çok zaman alıcı ve pahalı hale geliyor" diyor. Sonuç olarak, kural tabanlı sistemler, karmaşık alanlarda veya birden çok basit alanda sorunların çözümü için daha az kullanışlıdır.
Makine öğrenimi sistemleriyle ilgili bir başka sorun da, sistemin iç işleyişinin çıkarılamamasıdır, bu da bir kara kutuya, sistemin kararını nasıl verdiğine dair içgörü eksikliğine neden olur. Yazarlar, "Bu, birçok uygulama için büyük bir sorundur" diyor. Örneğin, Eşit Kredi Fırsatı Yasası, kredi başvurularının, alınan önlemler için belirli nedenler sunulmasını gerektirir.
Kara kutu karar vermenin ortaya çıkardığı sorunların bir çeşidi, New York'taki Mount Sinai Hastanesi'ndeki araştırmacıların, hastanelerin yaklaşık 700,000 kişinin kayıtlarının veritabanına bir öğrenme sistemi uygulama deneyimidir. Ortaya çıkan öğrenme sistemi Derin Hasta, hastalığı tahmin etmede çok iyi olduğu ortaya çıktı. Hatta doktorların tahmin etmesi zor olan şizofreni gibi psikiyatrik bozuklukların başlangıcını oldukça iyi tahmin ediyor gibi görünüyordu. "Derin Hasta, bunu nasıl yaptığına dair hiçbir ipucu vermiyor," diyor yazarlar, şu anda Tempus Labs'de bilim başkanı olan Mount Sinai ekibinin eski lideri ve yapay zekanın sağlık hizmetlerinde pratik uygulaması yoluyla hassas tıbbı ilerleten Joel Dudley'i referans alıyor .
Dudley, "Bu modelleri inşa edebiliriz, ancak nasıl çalıştıklarını bilmiyoruz" dedi.
Kaynak makaleleri ve bilgileri şu adresten okuyun: İnsan Olmak / Orta, In Katalitik Blogat Tricentis ve at Derin Hasta.
