큐:
가중 또는 확률 론적 접근 방식이 AI가 순전히 규칙 기반 또는 결정 론적 접근 방식을 뛰어 넘는 데 어떻게 도움이됩니까?
ㅏ:기계 학습 및 인공 지능 원리는 컴퓨팅 작동 방식을 빠르게 변화시키고 있습니다. 이것이 일어나는 주요 방법 중 하나는 가중 또는 확률 적 입력을 사용하여 입력을 진정한 결정 론적 시스템에서 더 추상적 인 것으로 변경하는 것입니다.
인공 신경 네트워크에서 개별 뉴런 또는 단위는 확률 적 입력을받습니다. 그런 다음 결과 또는 결과를 결정합니다. 전문가들이 구식 프로그래밍 세계를 새로운 "훈련"또는 "교육"컴퓨터 세계로 대체하는 것에 대해 이야기 할 때 전문가들이 이야기하고 있습니다.
전통적으로 기본값은 프로그래밍을 사용하여 컴퓨팅 결과를 얻는 것이 었습니다. 프로그래밍은 컴퓨터가 정직하게 따라야 할 규칙적인 결정적 입력 세트입니다.
반대로, 확률적인 입력을 허용하는 것은 이러한 규칙을 추상화 한 것으로, 컴퓨터의 여유 공간을 확보하여보다 고급의 결정을 내릴 수있는 일종의“고삐의 느슨 함”입니다. 어떤 방식으로, 확률 적 입력은 외부 관점에서 알 수없고 미리 결정되지 않았다. 이것은 우리의 실제 두뇌가 작동하는 방식에 더 가깝기 때문에이 접근법을 사용하는 기계 학습 및 인공 지능 알고리즘이 인공인지 개발의 차세대 경계로 환영받는 이유입니다.
가중치 또는 확률 적 입력에 대해 쉽게 생각할 수있는 방법은 다음과 같습니다. 전통적인 프로그래밍에서는 일반적으로 다음과 같이 말하는 "if / then"문 유형이있었습니다.
규칙 기반 접근 방식을 넘어 서기 위해서는 THIS가 무엇인지 변경해야합니다. 규칙 기반 접근 방식에서 THIS는 일부 텍스트 입력 또는 규칙입니다. 바이너리로 생각하면 이것이 사실인지 아닌지를 알고 컴퓨터도 마찬가지입니다. 주어진 입력에 대한 컴퓨터의 응답을 예측할 수 있습니다.
새로운 접근법에서, THIS는 실제로 어떤 주어진 상태에있을 수있는 입력 모음입니다. 따라서 외부 관찰자는이 구성 요소를 쉽게 모델링 할 수 없으므로 해당 결과를 정확히 예측할 수 없었습니다.
이 원칙이 시장 세분화에서 재무 검증, 엔터테인먼트 및 수도 및 하수 관리에 이르기까지 모든 분야와 산업에 적용되는 것을 생각하십시오. 기계 학습, 딥 러닝 및 인공 지능의 실질적인 힘을 통해 새로운 차원의 인간 업무를 수행 할 수 있습니다. 방법. 예를 들어, 사기 관리 분야에서 전문가들은 규칙 전용 시스템이 의심 스럽거나 위험한 행동과 정상적인 행동의 차이를 파악하는 데 능숙하지 않다고 지적합니다. 정교한 입력 모델로 무장 한 머신 러닝 시스템은 의사 결정 능력이 뛰어납니다. 어떤 활동이 문제가 될 수 있는지에 대해
그것을 생각하는 또 다른 방법은 세계가 학습 및 의사 결정을위한 새로운 국경으로서 코드를 식별하는 시대를 겪었다는 것입니다. 그 자체로 결정 론적 코드 기반 결과는 모든 종류의 인간 활동과 결정을 모델링하는면에서 강력했습니다. 우리는 이러한 모든 아이디어를 마케팅, 영업, 공공 행정 등에 적용했습니다. 그러나 이제 전문가들은 Wired의 매우 통찰력 있고 유익한 내용과 같이“코딩의 끝”에 대해 이야기하고 있습니다. 여기서 우세한 아이디어는 다음 시대에 코딩 대신에 컴퓨터가 우리가 생각하는 방식에 더 가까운 방식으로 생각하고 시간이 지남에 따라 학습하고 만들 수있는 방식으로 생각하도록 컴퓨터를 훈련시키는 시스템을 갖게된다는 것입니다. 그에 따라 결정. 이 중 많은 부분이 결정 론적 컴퓨팅 방식에서보다 복잡한 입력으로 추상화 된 방식으로 이동함으로써 달성되었습니다.
