コンテンツ
提供者：AltaML
Q：
加重アプローチまたは確率論的アプローチは、AIが純粋にルールベースのアプローチまたは決定論的アプローチを超えてどのように動くのに役立ちますか？
A：
機械学習と人工知能の原理は、コンピューティングの仕組みを急速に変えています。これが発生している主な方法の1つは、入力を真に決定論的なシステムからより抽象的なものに変更する加重または確率的入力を使用することです。
人工ニューラルネットワークでは、個々のニューロンまたはユニットは確率的な入力を受け取ります。次に、出力または結果に関する決定を行います。これは、プログラミングの古い世界を「トレーニング」または「ティーチング」コンピューターの新しい世界に置き換えることについて専門家が話していることです。
従来、デフォルトではプログラミングを使用して計算結果を取得していました。プログラミングは確定的な入力の固定セットであり、コンピューターが忠実に従うルールです。
対照的に、確率的な入力を可能にすることはこれらのルールの抽象化であり、一種の「手綱の緩み」により、コンピューターを解放してより高度な決定を下すことができます。ある意味では、確率的入力は外部の観点からは認識できず、事前に決定されていません。これは、実際の脳の働きに近いため、このアプローチを使用した機械学習と人工知能アルゴリズムは、人工認知発達の次のフロンティアとして歓迎されています。
加重入力または確率的入力について考える簡単な方法を次に示します。従来のプログラミングでは、一般に「if / then」ステートメントのタイプがありました：if this、then THAT。
ルールベースのアプローチを超えて移動するには、これが何であるかを変更する必要があります。ルールベースのアプローチでは、これは何らかの入力またはルールです。これをバイナリと考えると、それが真実かどうかはわかります。コンピューターもそうです。そのため、特定の入力に対するコンピューターの応答を予測できます。
新しいアプローチでは、これは実際には任意の特定の状態にある可能性のある入力のコレクションです。そのため、外部のオブザーバーは、これが何で構成されているかを簡単にモデル化できないため、その結果がどうなるかを正確に予測できませんでした。
市場のセグメンテーションから金融検証、エンターテイメント、上下水道管理まで、あらゆる分野および業界に適用されるこの原則を考えてください。非常に新しい方法で人事を管理するための機械学習、深層学習、人工知能の真の力があります。仕方。例えば、詐欺管理の分野では、専門家は、ルールのみのシステムは疑わしいまたは危険な行動と通常の行動の違いを理解するのにあまり適していないと指摘します–洗練された入力モデルで武装した機械学習システムはより多くの決定を下すことができますどのアクティビティが疑わしいのかについて。
別の考え方として、世界はコードを学習と意思決定の新しいフロンティアとして特定する時代を経たということです。それ自体で、決定論的なコードベースの結果は、あらゆる種類の人間の活動と意思決定をモデル化するという点で強力でした。これらすべてのアイデアをマーケティング、販売、行政などに適用しました。しかし、現在、Wiredの非常に洞察力に富んだ有益な作品のように、専門家は「コーディングの終わり」について話し合っています。ここで支配的な考え方は同じ考え方です。次の時代には、コーディングの代わりに、コンピューターをトレーニングして、自分の考えに近い方法で思考し、時間をかけて学び、それに応じて決定。この多くは、決定論的コンピューティングアプローチから、より洗練された入力で抽象化されたアプローチに移行することで実現されています。
