Q:
Bagaimana pendekatan tertimbang atau probabalistik membantu AI untuk bergerak melampaui pendekatan yang murni berdasarkan aturan atau deterministik?
SEBUAH:Prinsip pembelajaran mesin dan kecerdasan buatan secara cepat mengubah cara kerja komputasi. Salah satu cara utama yang terjadi adalah dengan input tertimbang atau probabilistik yang mengubah input dari sistem yang benar-benar deterministik menjadi sesuatu yang lebih abstrak.
Dalam jaringan saraf tiruan, neuron atau unit individu menerima input probabilistik. Mereka kemudian menentukan output atau hasilnya. Inilah yang dibicarakan para profesional ketika mereka berbicara tentang mengganti dunia pemrograman lama dengan dunia baru "pelatihan" atau "pengajaran" komputer.
Secara tradisional, standarnya adalah menggunakan pemrograman untuk mendapatkan hasil komputasi. Pemrograman adalah serangkaian input deterministik yang tetap - aturan yang akan diikuti oleh komputer dengan loyal.
Sebaliknya, memungkinkan input probabilistik adalah abstraksi dari aturan-aturan ini, semacam “kendornya kendali” untuk membebaskan komputer untuk membuat keputusan yang lebih maju. Di satu sisi, input probabilistik tidak dapat diketahui dari perspektif luar dan tidak ditentukan sebelumnya. Ini lebih dekat dengan cara otak kita yang sebenarnya bekerja, dan itulah sebabnya pembelajaran mesin dan algoritma kecerdasan buatan menggunakan pendekatan ini sedang dipuji sebagai perbatasan berikutnya dari perkembangan kognitif buatan.
Berikut ini cara mudah untuk memikirkan input yang berbobot atau probabilistik. Dalam pemrograman tradisional, Anda memiliki jenis pernyataan "jika / kemudian" yang umumnya mengatakan: jika INI, maka ITULAH.
Bergerak melampaui pendekatan berbasis aturan melibatkan perubahan apa INI. Dalam pendekatan berbasis aturan, INI adalah beberapa input atau aturan teks: Jika Anda menganggapnya sebagai biner - kita tahu apakah itu benar atau tidak, dan begitu pula komputer. Jadi, Anda dapat memprediksi respons komputer terhadap input yang diberikan.
Dalam pendekatan baru, INI sebenarnya adalah kumpulan input yang mungkin dalam keadaan tertentu. Jadi karena pengamat luar tidak akan dengan mudah dapat memodelkan apa yang terdiri dari INI, ia tidak dapat secara akurat memprediksi apa yang mungkin terjadi.
Pikirkan tentang prinsip ini yang diterapkan pada semua jenis bidang dan industri, dari segmentasi pasar hingga verifikasi keuangan hingga hiburan hingga pengelolaan air dan selokan, dan Anda memiliki kekuatan nyata dalam pembelajaran mesin, pembelajaran mendalam, dan kecerdasan buatan untuk mengarahkan urusan manusia dengan cara yang sangat baru cara. Misalnya, di bidang manajemen penipuan, para ahli menunjukkan bahwa sistem aturan saja tidak terlalu bagus dalam mencari tahu perbedaan antara perilaku yang mencurigakan atau berisiko dan perilaku normal - sistem pembelajaran mesin yang dipersenjatai dengan model input canggih lebih mampu membuat keputusan tentang aktivitas apa yang mungkin dipertanyakan.
Cara lain untuk memikirkannya adalah bahwa dunia melewati era pengidentifikasian kode sebagai batas baru untuk pembelajaran dan pengambilan keputusan. Dalam dan dari dirinya sendiri, hasil berbasis kode deterministik sangat kuat dalam hal pemodelan semua jenis aktivitas manusia dan keputusan. Kami menerapkan semua ide ini untuk pemasaran, penjualan, administrasi publik, dll. Tapi sekarang, para ahli berbicara tentang "akhir pengkodean, " seperti dalam bagian yang sangat berwawasan dan instruktif di Wired ini. Gagasan utama di sini adalah gagasan yang sama, bahwa di era berikutnya, alih-alih pengkodean, kita akan memiliki sistem tempat kita melatih komputer untuk berpikir dengan cara yang lebih dekat dengan cara kita berpikir, untuk dapat belajar dari waktu ke waktu dan membuat keputusan sesuai. Banyak dari ini telah dicapai dengan beralih dari pendekatan komputasi deterministik ke pendekatan yang diabstraksi dengan input yang lebih canggih.
