By John P. Desmond, Xu hướng AI Biên tập viên
AI không thể loại bỏ tất cả các quy tắc và phương pháp phát triển phần mềm đã học được trong 50 năm qua, chỉ là rất nhiều trong số đó.
Hệ thống AI dựa trên quy tắc vay mượn từ phát triển hệ thống chuyên gia dựa trên quy tắc, khai thác kiến thức của các chuyên gia con người để giải quyết các vấn đề phức tạp bằng cách lập luận thông qua các khối kiến thức. Hệ thống chuyên gia xuất hiện vào những năm 1970 và 1980.
Kiến thức sẽ được biểu diễn thông qua các quy tắc if-then-else chứ không phải mã thủ tục. Hệ thống chuyên gia được coi là dạng thành công của AI thời kỳ đầu.
Ngày nay, các mô hình AI dựa trên quy tắc bao gồm một tập hợp các quy tắc và một tập hợp các sự kiện, được mô tả trong một tài khoản gần đây trong BecomingHuman / Medium. “Bạn có thể phát triển một cơ bản Mô hình AI với sự trợ giúp của hai thành phần này, ”bài báo viết.
Sử dụng phương pháp học máy, hệ thống xác định bộ quy tắc của riêng nó dựa trên các mẫu mà nó thấy trong dữ liệu. Hệ thống học máy liên tục phát triển và thích ứng dựa trên các luồng dữ liệu đào tạo, dựa trên các mô hình sử dụng số liệu thống kê. Các mô hình học máy thường yêu cầu nhiều dữ liệu hơn các mô hình dựa trên quy tắc.
Tác giả đề xuất các dự án tốt nhất cho các mô hình dựa trên quy tắc là khi đầu ra là cần thiết nhanh chóng hoặc học máy được coi là quá dễ xảy ra lỗi. Các dự án tốt nhất cho các mô hình học máy là những dự án có tốc độ thay đổi nhanh và khó có thể tóm tắt thành danh sách các quy tắc đã thiết lập.
Chương trình Máy học “Tự tìm hiểu”
Jeff Grisenthwaite, Phó chủ tịch phụ trách sản phẩm tại Catalytic, một công ty cung cấp nền tảng tự động hóa quy trình làm việc “không có mã”, bày tỏ quan điểm tương tự, trong một cuộc phỏng vấn được đăng trên các Blog xúc tác. 'Với học máy, các chương trình máy tính có thể tự tìm ra cách để đạt được những mục tiêu đó một cách tốt nhất và có thể tự cải thiện khi chúng thu nạp nhiều dữ liệu hơn và trải nghiệm kết quả của các tình huống khác nhau, ”ông nói.
“Với các hệ thống dựa trên quy tắc, mọi người xác định logic cho cách các chương trình đưa ra quyết định,” ông nói thêm, sử dụng ví dụ về một chương trình tuyển dụng việc làm loại bỏ các ứng viên có ít hơn XNUMX năm kinh nghiệm. Nếu phương pháp học máy được sử dụng để đánh giá các ứng viên xin việc, chương trình sẽ xem xét một tập hợp lớn dữ liệu đào tạo bao gồm các ví dụ về thời điểm ứng viên đủ tiêu chuẩn hoặc bị loại. “Chương trình sẽ xác định các mẫu và áp dụng phán đoán của nó vào dữ liệu mới đến, xác định thứ hạng ưu tiên của các ứng viên sắp tới,” Grisenthwaite nói.
Về thời điểm sử dụng phương pháp tiếp cận dựa trên quy tắc hoặc phương pháp học máy, Grisenthwaite máy học được đề xuất chỉ có thể áp dụng khi có sẵn hàng nghìn bản ghi dữ liệu liên quan để đưa ra dự đoán chính xác. Điều này có thể bao gồm chứng chỉ khách hàng tiềm năng, phản hồi tự động của bộ phận hỗ trợ khách hàng và các tình huống có nhiều yếu tố dẫn đến nhiều cột hơn trong tập dữ liệu.
Học máy “được trang bị tốt hơn để xác định các mẫu trong dữ liệu hơn là yêu cầu mọi người tìm cả các mẫu và phát triển thủ công các quy tắc cho từng mẫu”, Grisenthwaite nói. Một ví dụ về điều này sẽ là các thuật toán dự đoán giá bất động sản, dựa trên việc xem xét giá bán trước đây và các yếu tố bao gồm vị trí, diện tích vuông và tiện nghi. Ngoài ra, đối với các môi trường thay đổi nhanh chóng như khuyến nghị thương mại điện tử và dự báo bán hàng, “Học máy đánh bại các hệ thống dựa trên quy tắc”, ông nói.
Hệ thống dựa trên quy tắc phù hợp nhất với các ứng dụng cần khối lượng dữ liệu thấp hơn và các quy tắc rất đơn giản. Ví dụ bao gồm phê duyệt báo cáo chi phí xác định ngưỡng đô la yêu cầu phê duyệt quản lý ở các cấp khác nhau hoặc định tuyến email sử dụng danh sách từ khóa để xác định điểm đến.
Một số hệ thống kết hợp dựa trên quy tắc với học máy. Một khách hàng của Catalytic trong lĩnh vực kinh doanh quảng cáo sử dụng hệ thống dựa trên quy tắc để tìm kiếm thông qua thư viện câu trả lời cho các câu hỏi trước về yêu cầu biểu mẫu đề xuất. Sau đó, các câu trả lời được coi là phù hợp hơn trong thư viện được lọc đó sẽ được quét bằng thuật toán máy học để dự đoán câu trả lời tốt nhất cho mỗi câu hỏi.
"Việc kết hợp các hệ thống dựa trên quy tắc với học máy cho phép mỗi phương pháp tiếp cận có thể bù đắp những thiếu sót của phương pháp khác, ”Grisenthwaite nói.
"Toàn bộ vũ trụ của AI" có thể được chia thành Dựa trên quy tắc hoặc dựa trên học tập
Một quan điểm cho rằng “toàn bộ vũ trụ AI có thể được chia thành hai nhóm này” gồm các kỹ thuật dựa trên quy tắc và kỹ thuật học máy, một tài khoản từ hoa tam thất, nhà cung cấp hệ thống kiểm thử phần mềm dựa trên AI.
Các tác giả cho biết thêm, "Một hệ thống máy tính đạt được AI thông qua kỹ thuật máy học được gọi là hệ thống học tập." Và mục tiêu của hệ thống dựa trên quy tắc là nắm bắt kiến thức của một chuyên gia con người trong một lĩnh vực chuyên biệt và thể hiện nó trong một hệ thống máy tính.
"Đó là nó. Vì vậy, chúng ta hãy coi các hệ thống dựa trên quy tắc là dạng AI đơn giản nhất ”, các tác giả cho biết, bị giới hạn bởi quy mô của cơ sở kiến thức nền tảng của nó, do đó triển khai một“ AI hẹp ”.
Một vấn đề nan giải của các hệ thống dựa trên quy tắc là khó khăn trong việc bổ sung các quy tắc vào một cơ sở tri thức lớn mà không đưa ra các quy tắc mâu thuẫn. Các tác giả cho biết: “Việc bảo trì các hệ thống này thường trở nên quá tốn thời gian và tốn kém. Do đó, các hệ thống dựa trên quy tắc ít hữu ích hơn để giải quyết các vấn đề trong các lĩnh vực phức tạp hoặc trên nhiều lĩnh vực đơn giản.
Một vấn đề khác với các hệ thống học máy là không thể trích xuất các hoạt động bên trong của hệ thống, dẫn đến một hộp đen, thiếu cái nhìn sâu sắc về cách hệ thống đưa ra quyết định. “Đây là một vấn đề lớn đối với nhiều ứng dụng,” các tác giả nói. Ví dụ, Đạo luật Cơ hội Tín dụng Bình đẳng yêu cầu các đơn xin cấp tín dụng phải được cung cấp các lý do cụ thể cho các hành động được thực hiện.
Một biến thể của các vấn đề đặt ra bởi việc ra quyết định bằng hộp đen là kinh nghiệm của các nhà nghiên cứu tại Bệnh viện Mount Sinai ở New York, trong việc áp dụng một hệ thống học tập vào cơ sở dữ liệu hồ sơ của bệnh viện trên khoảng 700,000 cá nhân. Hệ thống học tập kết quả, được gọi là Bệnh nhân sâu, hóa ra lại rất giỏi trong việc tiên đoán bệnh tật. Nó thậm chí còn dự đoán sự khởi phát của các rối loạn tâm thần như tâm thần phân liệt, điều mà các bác sĩ rất khó dự đoán, khá tốt. “Bệnh nhân sâu không cung cấp manh mối về cách nó thực hiện điều này,” các tác giả nói, tham khảo Joel Dudley, cựu lãnh đạo của nhóm Mount Sinai, hiện là giám đốc khoa học tại Tempus Labs, công ty tiến bộ y học chính xác thông qua ứng dụng thực tế của AI trong chăm sóc sức khỏe .
“Chúng tôi có thể xây dựng những mô hình này, nhưng chúng tôi không biết chúng hoạt động như thế nào,” Dudley nói.
Đọc các bài báo nguồn và thông tin tại BecomingHuman / Medium, Trong Blog xúc tác, tại hoa tam thất và tại Bệnh nhân sâu.
