5 huvudsakliga tillvägagångssätt för AI-inlärning

En algoritm är en sorts behållare. Den tillhandahåller en låda för att lagra en metod för att lösa en viss typ av problem. Algoritmer bearbetar data genom en serie väldefinierade tillstånd. Tillstånden behöver inte vara deterministiska, men tillstånden är ändå definierade. Målet är att skapa en output som löser ett problem. I vissa fall tar algoritmen emot indata som hjälper till att definiera utdata, men fokus ligger alltid på utdata.

Algoritmer måste uttrycka övergångarna mellan tillstånd med hjälp av ett väldefinierat och formellt språk som datorn kan förstå. Vid bearbetning av data och lösning av problemet definierar, förfinar och exekverar algoritmen en funktion. Funktionen är alltid specifik för den typ av problem som behandlas av algoritmen.

Var och en av de fem stammarna har en annan teknik och strategi för att lösa problem som resulterar i unika algoritmer. Kombinationen av dessa algoritmer bör så småningom leda till masteralgoritmen som kommer att kunna lösa vilket givet problem som helst. Följande diskussion ger en översikt över de fem huvudsakliga algoritmteknikerna.

Symboliskt resonemang

En av de tidigaste stammarna, symbolisterna, trodde att kunskap kunde erhållas genom att operera på symboler (tecken som står för en viss betydelse eller händelse) och härleda regler från dem. Genom att sätta ihop komplexa regelsystem kunde man uppnå en logisk deduktion av det resultat man ville veta, så symbolisterna formade sina algoritmer för att producera regler från data. I symboliskt resonemang utvidgar deduktion den mänskliga kunskapens område, medan induktion höjer nivån på mänsklig kunskap. Induktion öppnar vanligtvis nya utforskningsfält, medan deduktion utforskar dessa områden.

Anslutningar modellerade på hjärnans neuroner

Connectionisterna är kanske de mest kända av de fem stammarna. Denna stam strävar efter att reproducera hjärnans funktioner genom att använda kisel istället för neuroner. I huvudsak löser var och en av neuronerna (skapad som en algoritm som modellerar den verkliga motsvarigheten) en liten del av problemet, och att använda många neuroner parallellt löser problemet som helhet.

Användningen av backpropagation, eller bakåtpropagation av fel, syftar till att bestämma villkoren under vilka fel tas bort från nätverk byggda för att likna de mänskliga neuronerna genom att ändra vikten (hur mycket en viss indata räknas in i resultatet) och fördomar(vilka funktioner är valda) i nätverket. Målet är att fortsätta att ändra vikterna och förspänningarna tills den faktiska produktionen matchar målutmatningen. Vid denna tidpunkt avfyrar den artificiella neuronen och skickar sin lösning vidare till nästa neuron i raden. Lösningen som skapas av bara en neuron är bara en del av hela lösningen. Varje neuron skickar information till nästa neuron i rad tills gruppen av neuroner skapar en slutlig utdata. En sådan metod visade sig vara den mest effektiva i människoliknande uppgifter som att känna igen föremål, förstå skrivna och talade språken och chatta med människor.

Evolutionära algoritmer som testar variation

Evolutionärerna förlitar sig på evolutionens principer för att lösa problem. Med andra ord är den här strategin baserad på de starkastes överlevnad (att ta bort alla lösningar som inte matchar den önskade effekten). En fitnessfunktion bestämmer livskraften för varje funktion för att lösa ett problem. Med hjälp av en trädstruktur letar lösningsmetoden efter den bästa lösningen baserat på funktionsutdata. Vinnaren av varje utvecklingsnivå får bygga funktionerna på nästa nivå. Tanken är att nästa nivå ska komma närmare att lösa problemet men kanske inte löser det helt, vilket innebär att en annan nivå behövs. Denna speciella stam är starkt beroende av rekursion och språk som starkt stödjer rekursion för att lösa problem. Ett intressant resultat av denna strategi har varit algoritmer som utvecklas:

Bayesiansk slutledning

En grupp forskare, kallade bayesianer, insåg att osäkerhet var nyckelaspekten att hålla ett öga på och att inlärningen inte var säkerställd utan snarare skedde som en kontinuerlig uppdatering av tidigare föreställningar som blev mer och mer exakta. Denna uppfattning ledde till att bayesianerna använde statistiska metoder och i synnerhet härledningar från Bayes sats, som hjälper dig att beräkna sannolikheter under specifika förhållanden (till exempel att se ett kort av ett visst frö, startvärdet för en pseudo-slumpmässig sekvens, dras från en kortlek efter tre andra kort av samma frö).

System som lär sig analogt

Analogiserarna använder kärnmaskiner för att känna igen mönster i data. Genom att känna igen mönstret för en uppsättning ingångar och jämföra det med mönstret för en känd utgång, kan du skapa en problemlösning. Målet är att använda likhet för att bestämma den bästa lösningen på ett problem. Det är den typen av resonemang som avgör att användningen av en viss lösning fungerade under en given omständighet vid något tidigare tillfälle; Därför bör det också fungera att använda den lösningen för en liknande uppsättning omständigheter. En av de mest igenkännliga resultaten från denna stam är rekommendatorsystem. Till exempel, när du köper en produkt på Amazon kommer rekommendatorsystemet med andra, relaterade produkter som du kanske också vill köpa.

Det slutliga målet med maskininlärning är att kombinera de teknologier och strategier som anammats av de fem stammarna för att skapa en enda algoritm (masteralgoritmen) som kan lära sig vad som helst. Att uppnå det målet är förstås långt kvar. Ändå arbetar forskare som Pedro Domingos för närvarande mot det målet.