5 vigtigste tilgange til AI-læring

En algoritme er en slags beholder. Det giver en boks til opbevaring af en metode til at løse en bestemt type problem. Algoritmer behandler data gennem en række veldefinerede tilstande. Tilstandene behøver ikke at være deterministiske, men tilstandene er ikke desto mindre definerede. Målet er at skabe et output, der løser et problem. I nogle tilfælde modtager algoritmen input, der hjælper med at definere outputtet, men fokus er altid på outputtet.

Algoritmer skal udtrykke overgangene mellem tilstande ved hjælp af et veldefineret og formelt sprog, som computeren kan forstå. Ved behandling af data og løsning af problemet definerer, forfiner og udfører algoritmen en funktion. Funktionen er altid specifik for den type problem, der løses af algoritmen.

Hver af de fem stammer har en anden teknik og strategi til at løse problemer, der resulterer i unikke algoritmer. Kombination af disse algoritmer skulle i sidste ende føre til masteralgoritmen, der vil være i stand til at løse ethvert givet problem. Den følgende diskussion giver et overblik over de fem vigtigste algoritmiske teknikker.

Symbolsk ræsonnement

En af de tidligste stammer, symbolisterne, mente, at viden kunne opnås ved at operere på symboler (tegn, der står for en bestemt betydning eller begivenhed) og udlede regler fra dem. Ved at sammensætte komplekse regelsystemer kunne man opnå en logisk deduktion af det resultat, man ønskede at kende, og symbolisterne formede således deres algoritmer til at producere regler ud fra data. I symbolsk ræsonnement udvider deduktion området for menneskelig viden, mens induktion hæver niveauet af menneskelig viden. Induktion åbner almindeligvis nye udforskningsfelter, mens deduktion udforsker disse felter.

Forbindelser baseret på hjernens neuroner

Connectionisterne er måske den mest berømte af de fem stammer. Denne stamme stræber efter at reproducere hjernens funktioner ved at bruge silicium i stedet for neuroner. I det væsentlige løser hver af neuronerne (skabt som en algoritme, der modellerer modstykket i den virkelige verden) en lille del af problemet, og at bruge mange neuroner parallelt løser problemet som helhed.

Brugen af ​​tilbageudbredelse, eller tilbageudbredelse af fejl, søger at bestemme de betingelser, under hvilke fejl fjernes fra netværk bygget til at ligne de menneskelige neuroner ved at ændre vægten (hvor meget en bestemt input figurerer i resultatet) og skævheder(hvilke funktioner er valgt) af netværket. Målet er at fortsætte med at ændre vægtene og skævhederne, indtil det faktiske output matcher måloutputtet. På dette tidspunkt affyrer den kunstige neuron og sender sin opløsning videre til den næste neuron i rækken. Løsningen skabt af kun én neuron er kun en del af hele løsningen. Hver neuron videregiver information til den næste neuron i rækken, indtil gruppen af ​​neuroner skaber et endeligt output. En sådan metode viste sig at være den mest effektive til menneskelignende opgaver som at genkende objekter, forstå skriftsprog og talesprog og chatte med mennesker.

Evolutionære algoritmer, der tester variation

Evolutionærerne stoler på evolutionens principper for at løse problemer. Med andre ord er denne strategi baseret på overlevelse af den stærkeste (fjernelse af alle løsninger, der ikke matcher det ønskede output). En fitnessfunktion bestemmer levedygtigheden af ​​hver funktion til at løse et problem. Ved hjælp af en træstruktur leder løsningsmetoden efter den bedste løsning baseret på funktionsoutput. Vinderen af ​​hvert udviklingsniveau får bygget funktionerne på næste niveau. Tanken er, at det næste niveau kommer tættere på at løse problemet, men måske ikke løser det fuldstændigt, hvilket betyder, at der er brug for et andet niveau. Denne særlige stamme er stærkt afhængig af rekursion og sprog, der stærkt understøtter rekursion for at løse problemer. Et interessant output af denne strategi har været algoritmer, der udvikler sig:

Bayesiansk slutning

En gruppe videnskabsmænd, kaldet Bayesianere, opfattede, at usikkerhed var nøgleaspektet at holde øje med, og at læring ikke var sikret, men snarere fandt sted som en kontinuerlig opdatering af tidligere overbevisninger, der blev mere og mere nøjagtige. Denne opfattelse fik Bayesianerne til at anvende statistiske metoder og især afledninger fra Bayes' sætning, som hjælper dig med at beregne sandsynligheder under specifikke forhold (for eksempel at se et kort med et bestemt frø, startværdien for en pseudo-tilfældig sekvens, trukket fra et spil efter tre andre kort af samme frø).

Systemer, der lærer ved analogi

Analogisatorerne bruger kernemaskiner til at genkende mønstre i data. Ved at genkende mønsteret af et sæt input og sammenligne det med mønsteret af et kendt output, kan du skabe en problemløsning. Målet er at bruge lighed til at bestemme den bedste løsning på et problem. Det er den slags ræsonnement, der bestemmer, at brugen af ​​en bestemt løsning virkede under en given omstændighed på et tidligere tidspunkt; Derfor burde det også fungere at bruge den løsning til et lignende sæt omstændigheder. Et af de mest genkendelige output fra denne stamme er anbefalingssystemer. For eksempel, når du køber et produkt på Amazon, kommer anbefalingssystemet med andre, relaterede produkter, som du måske også ønsker at købe.

Det ultimative mål med maskinlæring er at kombinere de teknologier og strategier, som de fem stammer omfavner, for at skabe en enkelt algoritme (mesteralgoritmen), der kan lære alt. Selvfølgelig er det langt væk at nå det mål. Alligevel arbejder videnskabsmænd som Pedro Domingos i øjeblikket mod dette mål.