5 κύριες προσεγγίσεις στη μάθηση AI

Ένας αλγόριθμος είναι ένα είδος κοντέινερ. Παρέχει ένα πλαίσιο για την αποθήκευση μιας μεθόδου για την επίλυση ενός συγκεκριμένου είδους προβλήματος. Οι αλγόριθμοι επεξεργάζονται δεδομένα μέσω μιας σειράς καλά καθορισμένων καταστάσεων. Τα κράτη δεν χρειάζεται να είναι ντετερμινιστικά, αλλά τα κράτη ορίζονται. Ο στόχος είναι να δημιουργηθεί ένα αποτέλεσμα που λύνει ένα πρόβλημα. Σε ορισμένες περιπτώσεις, ο αλγόριθμος λαμβάνει εισόδους που βοηθούν στον καθορισμό της εξόδου, αλλά η εστίαση είναι πάντα στην έξοδο.

Οι αλγόριθμοι πρέπει να εκφράζουν τις μεταβάσεις μεταξύ των καταστάσεων χρησιμοποιώντας μια καλά καθορισμένη και επίσημη γλώσσα που μπορεί να κατανοήσει ο υπολογιστής. Κατά την επεξεργασία των δεδομένων και την επίλυση του προβλήματος, ο αλγόριθμος ορίζει, τελειοποιεί και εκτελεί μια συνάρτηση. Η συνάρτηση είναι πάντα συγκεκριμένη για το είδος του προβλήματος που αντιμετωπίζει ο αλγόριθμος.

Κάθε μία από τις πέντε φυλές έχει διαφορετική τεχνική και στρατηγική για την επίλυση προβλημάτων που καταλήγουν σε μοναδικούς αλγόριθμους. Ο συνδυασμός αυτών των αλγορίθμων θα πρέπει τελικά να οδηγήσει στον κύριο αλγόριθμο που θα είναι σε θέση να λύσει οποιοδήποτε δεδομένο πρόβλημα. Η ακόλουθη συζήτηση παρέχει μια επισκόπηση των πέντε κύριων αλγοριθμικών τεχνικών.

Συμβολικός συλλογισμός

Μία από τις πρώτες φυλές, οι συμβολιστές, πίστευε ότι η γνώση μπορούσε να αποκτηθεί με τη χρήση συμβόλων (σημάδια που αντιπροσωπεύουν ένα συγκεκριμένο νόημα ή γεγονός) και αντλώντας κανόνες από αυτά. Συνδυάζοντας πολύπλοκα συστήματα κανόνων, θα μπορούσατε να επιτύχετε μια λογική εξαγωγή του αποτελέσματος που θέλατε να μάθετε, έτσι οι συμβολιστές διαμόρφωσαν τους αλγόριθμούς τους για να παράγουν κανόνες από δεδομένα. Στο συμβολικό συλλογισμό, η έκπτωση διευρύνει το πεδίο της ανθρώπινης γνώσης, ενώ η επαγωγή ανεβάζει το επίπεδο της ανθρώπινης γνώσης. Η επαγωγή συνήθως ανοίγει νέα πεδία εξερεύνησης, ενώ η αφαίρεση διερευνά αυτά τα πεδία.

Συνδέσεις που έχουν σχεδιαστεί με βάση τους νευρώνες του εγκεφάλου

Οι συνδεσιολόγοι είναι ίσως οι πιο διάσημοι από τις πέντε φυλές. Αυτή η φυλή προσπαθεί να αναπαράγει τις λειτουργίες του εγκεφάλου χρησιμοποιώντας πυρίτιο αντί για νευρώνες. Ουσιαστικά, καθένας από τους νευρώνες (που δημιουργήθηκε ως αλγόριθμος που μοντελοποιεί το αντίστοιχο του πραγματικού κόσμου) λύνει ένα μικρό κομμάτι του προβλήματος και η παράλληλη χρήση πολλών νευρώνων λύνει το πρόβλημα ως σύνολο.

Η χρήση της αντίστροφης διάδοσης, ή της αντίστροφης διάδοσης σφαλμάτων, επιδιώκει να προσδιορίσει τις συνθήκες κάτω από τις οποίες αφαιρούνται τα σφάλματα από δίκτυα που είναι κατασκευασμένα ώστε να μοιάζουν με τους ανθρώπινους νευρώνες αλλάζοντας τα βάρη (πόσο μια συγκεκριμένη είσοδος εμφανίζεται στο αποτέλεσμα) και τις προκαταλήψεις(ποιες δυνατότητες επιλέγονται) του δικτύου. Ο στόχος είναι να συνεχίσετε να αλλάζετε τα βάρη και τις προκαταλήψεις μέχρις ότου η πραγματική έξοδος ταιριάζει με την έξοδο στόχο. Σε αυτό το σημείο, ο τεχνητός νευρώνας πυροδοτείται και περνά το διάλυμά του στον επόμενο νευρώνα στη σειρά. Η λύση που δημιουργείται από έναν μόνο νευρώνα είναι μόνο μέρος της συνολικής λύσης. Κάθε νευρώνας μεταβιβάζει πληροφορίες στον επόμενο νευρώνα στη σειρά έως ότου η ομάδα των νευρώνων δημιουργήσει μια τελική έξοδο. Μια τέτοια μέθοδος αποδείχθηκε η πιο αποτελεσματική σε εργασίες που μοιάζουν με ανθρώπους, όπως η αναγνώριση αντικειμένων, η κατανόηση γραπτού και προφορικού λόγου και η συνομιλία με ανθρώπους.

Εξελικτικοί αλγόριθμοι που δοκιμάζουν την παραλλαγή

Οι εξελικτικοί βασίζονται στις αρχές της εξέλιξης για την επίλυση προβλημάτων. Με άλλα λόγια, αυτή η στρατηγική βασίζεται στην επιβίωση του πιο ικανού (αφαίρεση τυχόν λύσεων που δεν ταιριάζουν με το επιθυμητό αποτέλεσμα). Μια συνάρτηση φυσικής κατάστασης καθορίζει τη βιωσιμότητα κάθε λειτουργίας στην επίλυση ενός προβλήματος. Χρησιμοποιώντας μια δομή δέντρου, η μέθοδος λύσης αναζητά την καλύτερη λύση με βάση την έξοδο συνάρτησης. Ο νικητής κάθε επιπέδου εξέλιξης μπορεί να δημιουργήσει τις λειτουργίες επόμενου επιπέδου. Η ιδέα είναι ότι το επόμενο επίπεδο θα πλησιάσει πιο κοντά στην επίλυση του προβλήματος, αλλά μπορεί να μην το λύσει εντελώς, πράγμα που σημαίνει ότι χρειάζεται ένα άλλο επίπεδο. Αυτή η συγκεκριμένη φυλή βασίζεται σε μεγάλο βαθμό στην αναδρομή και τις γλώσσες που υποστηρίζουν έντονα την αναδρομή για την επίλυση προβλημάτων. Ένα ενδιαφέρον αποτέλεσμα αυτής της στρατηγικής ήταν οι αλγόριθμοι που εξελίσσονται:

Μπεϋζιανό συμπέρασμα

Μια ομάδα επιστημόνων, που ονομάζονταν Bayesians, αντιλήφθηκαν ότι η αβεβαιότητα ήταν η βασική πτυχή που έπρεπε να παρακολουθεί κανείς και ότι η μάθηση δεν ήταν εξασφαλισμένη, αλλά λάμβανε χώρα ως μια συνεχής ενημέρωση προηγούμενων πεποιθήσεων που γινόταν όλο και πιο ακριβείς. Αυτή η αντίληψη οδήγησε τους Μπεϋσιανούς να υιοθετήσουν στατιστικές μεθόδους και, ειδικότερα, παράγωγα από το θεώρημα του Bayes, το οποίο σας βοηθά να υπολογίσετε τις πιθανότητες κάτω από συγκεκριμένες συνθήκες (για παράδειγμα, να δείτε μια κάρτα ενός συγκεκριμένου σπόρου, την αρχική τιμή για μια ψευδοτυχαία ακολουθία, τραβηγμένο από μια τράπουλα μετά από άλλα τρία φύλλα του ίδιου σπόρου).

Συστήματα που μαθαίνουν κατ' αναλογία

Οι αναλογιστές χρησιμοποιούν μηχανές πυρήνα για να αναγνωρίζουν μοτίβα στα δεδομένα. Αναγνωρίζοντας το μοτίβο ενός συνόλου εισόδων και συγκρίνοντάς το με το μοτίβο μιας γνωστής εξόδου, μπορείτε να δημιουργήσετε μια λύση προβλήματος. Ο στόχος είναι να χρησιμοποιήσουμε την ομοιότητα για να προσδιορίσουμε την καλύτερη λύση σε ένα πρόβλημα. Είναι το είδος του συλλογισμού που καθορίζει ότι η χρήση μιας συγκεκριμένης λύσης λειτούργησε σε μια δεδομένη περίσταση κάποια προηγούμενη φορά. Επομένως, η χρήση αυτής της λύσης για παρόμοιο σύνολο περιστάσεων θα πρέπει επίσης να λειτουργεί. Ένα από τα πιο αναγνωρίσιμα αποτελέσματα αυτής της φυλής είναι τα συστήματα συστάσεων. Για παράδειγμα, όταν αγοράζετε ένα προϊόν στο Amazon, το σύστημα συστάσεων έρχεται με άλλα, σχετικά προϊόντα που μπορεί επίσης να θέλετε να αγοράσετε.

Ο απώτερος στόχος της μηχανικής μάθησης είναι να συνδυάσει τις τεχνολογίες και τις στρατηγικές που αγκαλιάζουν οι πέντε φυλές για να δημιουργήσει έναν ενιαίο αλγόριθμο (τον κύριο αλγόριθμο) που μπορεί να μάθει τα πάντα. Φυσικά, η επίτευξη αυτού του στόχου είναι πολύ μακριά. Ακόμα κι έτσι, επιστήμονες όπως ο Pedro Domingos εργάζονται επί του παρόντος προς αυτόν τον στόχο.