Q:
วิธีการถ่วงน้ำหนักหรือ probabalistic ช่วย AI ในการก้าวไปข้างหน้าด้วยวิธีการตามกฎหรือการกำหนดอย่างแท้จริงได้อย่างไร
A:หลักการเรียนรู้ของเครื่องและปัญญาประดิษฐ์นั้นเปลี่ยนแปลงอย่างรวดเร็วว่าการทำงานของคอมพิวเตอร์เป็นอย่างไร หนึ่งในวิธีการสำคัญที่สิ่งนี้กำลังเกิดขึ้นคืออินพุตแบบถ่วงน้ำหนักหรือความน่าจะเป็นที่เปลี่ยนอินพุตจากระบบที่กำหนดขึ้นจริงเป็นสิ่งที่เป็นนามธรรมมากขึ้น
ในเครือข่ายประสาทเทียมเซลล์ประสาทส่วนบุคคลหรือหน่วยจะได้รับข้อมูลความน่าจะเป็น จากนั้นพวกเขาทำการตัดสินใจเกี่ยวกับผลลัพธ์หรือผลลัพธ์ นี่คือสิ่งที่มืออาชีพกำลังพูดถึงเมื่อพวกเขาพูดคุยเกี่ยวกับการแทนที่โลกเก่าของการเขียนโปรแกรมด้วยโลกใหม่ของคอมพิวเตอร์ "การฝึกอบรม" หรือ "การสอน"
ตามเนื้อผ้าเริ่มต้นคือการใช้การเขียนโปรแกรมเพื่อรับผลการคำนวณ การเขียนโปรแกรมเป็นชุดอินพุตคงที่ - กฎที่คอมพิวเตอร์จะปฏิบัติตามอย่างซื่อสัตย์
ในทางตรงกันข้ามการยอมให้มีความน่าจะเป็นสำหรับการป้อนข้อมูลเป็นสิ่งที่เป็นนามธรรมของกฎเหล่านี้คือ "การชะลอสายบังเหียน" เพื่อให้คอมพิวเตอร์มีอิสระในการตัดสินใจขั้นสูง ในแง่หนึ่งปัจจัยที่น่าจะเป็นนั้นไม่สามารถทราบได้จากมุมมองภายนอกและไม่ได้กำหนดไว้ล่วงหน้า นี่เป็นวิธีที่ใกล้กับวิธีการทำงานของสมองที่แท้จริงของเราและนั่นเป็นสาเหตุที่การเรียนรู้ด้วยเครื่องจักรและอัลกอริทึมปัญญาประดิษฐ์ที่ใช้วิธีการนี้ได้รับการยกย่องว่าเป็นพรมแดนต่อไปของการพัฒนาองค์ความรู้ด้านปัญญาประดิษฐ์
นี่เป็นวิธีง่ายๆในการคิดเกี่ยวกับอินพุตแบบถ่วงน้ำหนักหรือความน่าจะเป็น ในการเขียนโปรแกรมแบบดั้งเดิมคุณมีประเภทของคำสั่ง“ if / then” ที่โดยทั่วไปบอกว่า: ถ้าเป็นเช่นนั้น
การก้าวไปไกลกว่าวิธีที่อิงกับกฎเกี่ยวข้องกับการเปลี่ยนแปลงสิ่งที่เป็น ในวิธีการตามกฎนี้เป็นข้อความหรือกฎบางอย่าง: ถ้าคุณคิดว่ามันเป็นไบนารี - เรารู้ว่ามันเป็นจริงหรือไม่และคอมพิวเตอร์ทำเช่นนั้น ดังนั้นคุณสามารถทำนายการตอบสนองของคอมพิวเตอร์ต่ออินพุตที่กำหนด
ในวิธีการใหม่นี้เป็นชุดของอินพุตที่อาจอยู่ในสถานะใดก็ตาม ดังนั้นเนื่องจากผู้สังเกตการณ์ภายนอกจะไม่สามารถสร้างแบบจำลองได้อย่างง่ายดายสิ่งนี้ประกอบด้วยเขาหรือเธอไม่สามารถทำนายได้อย่างแม่นยำว่าผลลัพธ์นั้นอาจเป็นอะไร
คิดเกี่ยวกับหลักการนี้นำไปใช้กับสาขาและอุตสาหกรรมทุกประเภทตั้งแต่การแบ่งส่วนตลาดไปจนถึงการตรวจสอบทางการเงินการบันเทิงและการจัดการน้ำและท่อระบายน้ำและคุณมีพลังที่แท้จริงของการเรียนรู้ของเครื่องจักรการเรียนรู้เชิงลึกและปัญญาประดิษฐ์ ทาง ตัวอย่างเช่นในด้านการจัดการการฉ้อโกงผู้เชี่ยวชาญชี้ให้เห็นว่าระบบเฉพาะกฎไม่ดีในการหาความแตกต่างระหว่างพฤติกรรมที่น่าสงสัยหรือมีความเสี่ยงและพฤติกรรมปกติ - ระบบการเรียนรู้ของเครื่องที่มีโมเดลป้อนข้อมูลที่ซับซ้อนมีความสามารถในการตัดสินใจมากกว่า เกี่ยวกับกิจกรรมที่น่าสงสัย
อีกวิธีที่จะคิดว่ามันคือโลกที่ผ่านยุคของการระบุรหัสเป็นเขตแดนใหม่สำหรับการเรียนรู้และการตัดสินใจ ผลลัพธ์ที่ได้จากโค้ดที่กำหนดขึ้นได้นั้นมีประสิทธิภาพในแง่ของการสร้างแบบจำลองกิจกรรมและการตัดสินใจของมนุษย์ทุกประเภท เราใช้ความคิดทั้งหมดเหล่านี้กับการตลาดการขายการบริหารสาธารณะ ฯลฯ แต่ตอนนี้ผู้เชี่ยวชาญกำลังพูดถึง "การสิ้นสุดของการเข้ารหัส" เช่นเดียวกับในบทที่ลึกซึ้งและให้คำแนะนำใน Wired ความคิดหลักที่นี่คือความคิดเดียวกันที่ในยุคหน้าแทนที่จะเขียนโปรแกรมเราจะมีระบบที่เราฝึกอบรมคอมพิวเตอร์ให้คิดในวิธีที่ใกล้เคียงกับวิธีคิดของเรามากขึ้นเพื่อให้สามารถเรียนรู้ได้ตลอดเวลาและทำให้ ตัดสินใจตาม สิ่งเหล่านี้ประสบความสำเร็จได้ด้วยการเปลี่ยนจากวิธีการคำนวณแบบกำหนดรูปแบบไปเป็นแบบที่แยกออกจากกันด้วยอินพุตที่ซับซ้อนยิ่งขึ้น
