5 hovedtilnærminger til AI-læring

En algoritme er en slags beholder. Den gir en boks for å lagre en metode for å løse en bestemt type problem. Algoritmer behandler data gjennom en rekke veldefinerte tilstander. Tilstandene trenger ikke være deterministiske, men tilstandene er definert likevel. Målet er å skape en utgang som løser et problem. I noen tilfeller mottar algoritmen innganger som hjelper til med å definere utgangen, men fokuset er alltid på utgangen.

Algoritmer må uttrykke overgangene mellom tilstander ved å bruke et veldefinert og formelt språk som datamaskinen kan forstå. Ved å behandle dataene og løse problemet definerer, foredler og utfører algoritmen en funksjon. Funksjonen er alltid spesifikk for hva slags problem algoritmen tar opp.

Hver av de fem stammene har en annen teknikk og strategi for å løse problemer som resulterer i unike algoritmer. Kombinasjon av disse algoritmene bør til slutt føre til masteralgoritmen som vil være i stand til å løse et gitt problem. Den følgende diskusjonen gir en oversikt over de fem viktigste algoritmiske teknikkene.

Symbolsk resonnement

En av de tidligste stammene, symbolistene, mente at kunnskap kunne oppnås ved å operere på symboler (tegn som står for en bestemt betydning eller hendelse) og utlede regler fra dem. Ved å sette sammen komplekse regelsystemer, kunne du oppnå en logisk deduksjon av resultatet du ønsket å vite, og dermed formet symbolistene sine algoritmer for å produsere regler fra data. I symbolsk resonnement utvider deduksjon området for menneskelig kunnskap, mens induksjon hever nivået av menneskelig kunnskap. Induksjon åpner ofte nye felt for utforskning, mens deduksjon utforsker disse feltene.

Forbindelser modellert på hjernens nevroner

Konneksjonistene er kanskje den mest kjente av de fem stammene. Denne stammen streber etter å reprodusere hjernens funksjoner ved å bruke silisium i stedet for nevroner. I hovedsak løser hver av nevronene (skapt som en algoritme som modellerer den virkelige motparten) en liten del av problemet, og å bruke mange nevroner parallelt løser problemet som helhet.

Bruken av backpropagation, eller bakoverforplantning av feil, søker å bestemme forholdene under hvilke feil fjernes fra nettverk bygget for å ligne de menneskelige nevronene ved å endre vektene (hvor mye en bestemt input teller i resultatet) og skjevheter(hvilke funksjoner er valgt) av nettverket. Målet er å fortsette å endre vektene og skjevhetene til den faktiske utgangen samsvarer med målutgangen. På dette tidspunktet avfyrer det kunstige nevronet og sender løsningen videre til neste nevron i rekken. Løsningen skapt av bare ett nevron er bare en del av hele løsningen. Hvert nevron sender informasjon til neste nevron på rad til gruppen av nevroner lager en endelig utgang. En slik metode viste seg å være den mest effektive i menneskelignende oppgaver som å gjenkjenne objekter, forstå skriftspråk og talespråk og chatte med mennesker.

Evolusjonære algoritmer som tester variasjon

Evolusjonærene er avhengige av evolusjonsprinsippene for å løse problemer. Med andre ord er denne strategien basert på overlevelse av de sterkeste (fjerne eventuelle løsninger som ikke samsvarer med ønsket effekt). En treningsfunksjon bestemmer levedyktigheten til hver funksjon for å løse et problem. Ved å bruke en trestruktur ser løsningsmetoden etter den beste løsningen basert på funksjonsutdata. Vinneren av hvert utviklingsnivå får bygge funksjonene på neste nivå. Tanken er at neste nivå vil komme nærmere å løse problemet, men kanskje ikke løse det helt, noe som betyr at et annet nivå er nødvendig. Denne spesielle stammen er avhengig av rekursjon og språk som sterkt støtter rekursjon for å løse problemer. Et interessant resultat av denne strategien har vært algoritmer som utvikler seg:

Bayesiansk slutning

En gruppe forskere, kalt bayesianere, oppfattet at usikkerhet var nøkkelaspektet å holde øye med, og at læring ikke var sikret, men snarere fant sted som en kontinuerlig oppdatering av tidligere oppfatninger som ble mer og mer nøyaktige. Denne oppfatningen førte til at Bayesianerne tok i bruk statistiske metoder og spesielt avledninger fra Bayes' teorem, som hjelper deg med å beregne sannsynligheter under spesifikke forhold (for eksempel å se et kort med et bestemt frø, startverdien for en pseudo-tilfeldig sekvens, trukket fra en kortstokk etter tre andre kort med samme frø).

Systemer som lærer ved analogi

Analogyserne bruker kjernemaskiner for å gjenkjenne mønstre i data. Ved å gjenkjenne mønsteret til ett sett med innganger og sammenligne det med mønsteret til en kjent utgang, kan du lage en problemløsning. Målet er å bruke likhet for å finne den beste løsningen på et problem. Det er den typen resonnement som bestemmer at bruk av en bestemt løsning fungerte i en gitt omstendighet på et tidligere tidspunkt; Derfor bør bruk av den løsningen for et lignende sett av omstendigheter også fungere. En av de mest gjenkjennelige resultatene fra denne stammen er anbefalingssystemer. Når du for eksempel kjøper et produkt på Amazon, kommer anbefalingssystemet med andre relaterte produkter som du kanskje også vil kjøpe.

Det endelige målet med maskinlæring er å kombinere teknologiene og strategiene som de fem stammene omfavner for å lage en enkelt algoritme (mesteralgoritmen) som kan lære hva som helst. Selvfølgelig er det langt unna å nå det målet. Likevel jobber forskere som Pedro Domingos for tiden mot det målet.