5 hlavních přístupů k učení AI

Algoritmus je druh kontejneru. Poskytuje schránku pro uložení metody řešení konkrétního druhu problému. Algoritmy zpracovávají data prostřednictvím řady dobře definovaných stavů. Stavy nemusí být deterministické, ale přesto jsou definovány. Cílem je vytvořit výstup, který řeší problém. V některých případech algoritmus přijímá vstupy, které pomáhají definovat výstup, ale důraz je vždy kladen na výstup.

Algoritmy musí vyjadřovat přechody mezi stavy pomocí dobře definovaného a formálního jazyka, kterému počítač rozumí. Při zpracování dat a řešení problému algoritmus definuje, zpřesňuje a vykonává funkci. Funkce je vždy specifická pro druh problému, který algoritmus řeší.

Každý z pěti kmenů má jinou techniku ​​a strategii pro řešení problémů, jejichž výsledkem jsou jedinečné algoritmy. Kombinace těchto algoritmů by nakonec měla vést k hlavnímu algoritmu, který bude schopen vyřešit jakýkoli daný problém. Následující diskuse poskytuje přehled pěti hlavních algoritmických technik.

Symbolické uvažování

Jeden z nejstarších kmenů, symbolisté, věřil, že znalosti lze získat působením na symboly (znaky, které představují určitý význam nebo událost) a odvozováním pravidel z nich. Sestavením komplexních systémů pravidel jste mohli dosáhnout logické dedukce výsledku, který jste chtěli znát, a tak symbolisté utvářeli své algoritmy tak, aby vytvářeli pravidla z dat. V symbolickém uvažování dedukce rozšiřuje oblast lidského vědění, zatímco indukce zvyšuje úroveň lidského vědění. Indukce běžně otevírá nová pole zkoumání, zatímco dedukce tato pole zkoumá.

Spojení modelovaná na mozkových neuronech

Konekcionisté jsou možná nejslavnější z pěti kmenů. Tento kmen se snaží reprodukovat funkce mozku pomocí křemíku místo neuronů. V podstatě každý z neuronů (vytvořený jako algoritmus, který modeluje protějšek v reálném světě) řeší malý kousek problému a paralelní použití mnoha neuronů řeší problém jako celek.

Použití zpětného šíření nebo zpětného šíření chyb se snaží určit podmínky, za kterých jsou chyby odstraněny ze sítí postavených tak, aby připomínaly lidské neurony, a to změnou vah (jak moc figuruje konkrétní vstup ve výsledku) a zkreslení.(které funkce jsou vybrány) sítě. Cílem je pokračovat ve změně vah a vychýlení, dokud se skutečný výstup neshoduje s cílovým výstupem. V tomto okamžiku umělý neuron vystřelí a předá svůj roztok dalšímu neuronu v řadě. Řešení vytvořené pouze jedním neuronem je pouze částí celého řešení. Každý neuron předává informace dalšímu neuronu v řadě, dokud skupina neuronů nevytvoří konečný výstup. Taková metoda se ukázala jako nejúčinnější v úkolech podobných lidem, jako je rozpoznávání předmětů, porozumění psanému a mluvenému jazyku a chatování s lidmi.

Evoluční algoritmy, které testují variace

Evolucionáři se při řešení problémů spoléhají na principy evoluce. Jinými slovy, tato strategie je založena na přežití nejschopnějších (odstranění všech řešení, která neodpovídají požadovanému výstupu). Fitness funkce určuje životaschopnost každé funkce při řešení problému. Pomocí stromové struktury hledá metoda řešení nejlepší řešení na základě výstupu funkce. Vítěz každé úrovně evoluce získá sestavení funkcí další úrovně. Myšlenka je taková, že další úroveň se přiblíží k vyřešení problému, ale nemusí ho vyřešit úplně, což znamená, že je potřeba další úroveň. Tento konkrétní kmen se při řešení problémů silně spoléhá na rekurzi a jazyky, které rekurzi silně podporují. Zajímavým výstupem této strategie byly algoritmy, které se vyvíjejí:

Bayesovský závěr

Skupina vědců, zvaná Bayesians, vnímala, že nejistota je klíčovým aspektem, na který je třeba dávat pozor, a že učení není zaručené, ale spíše se odehrává jako nepřetržitá aktualizace předchozích přesvědčení, která byla stále přesnější. Toto vnímání vedlo Bayesiany k přijetí statistických metod a zejména odvození z Bayesovy věty, která vám pomáhá vypočítat pravděpodobnosti za specifických podmínek (například když vidíte kartu určitého semene, počáteční hodnotu pseudonáhodné sekvence, vytažené z balíčku po třech dalších kartách stejného semene).

Systémy, které se učí analogicky

Analyzátory používají stroje jádra k rozpoznání vzorů v datech. Rozpoznáním vzoru jedné sady vstupů a jeho porovnáním se vzorem známého výstupu můžete vytvořit řešení problému. Cílem je pomocí podobnosti určit nejlepší řešení problému. Je to druh uvažování, který určuje, že použití konkrétního řešení fungovalo za daných okolností v nějaké předchozí době; proto by použití tohoto řešení pro podobný soubor okolností mělo také fungovat. Jedním z nejznámějších výstupů tohoto kmene jsou doporučovací systémy. Když si například koupíte produkt na Amazonu, systém doporučovatelů přijde s dalšími souvisejícími produkty, které byste si také mohli chtít koupit.

Konečným cílem strojového učení je zkombinovat technologie a strategie, které přijalo pět kmenů, a vytvořit jediný algoritmus (hlavní algoritmus), který se může naučit cokoli. Dosažení tohoto cíle je samozřejmě běh na dlouhou trať. Přesto vědci jako Pedro Domingos v současné době pracují na dosažení tohoto cíle.