Q:
¿Cómo ayuda un enfoque ponderado o probabalístico a la IA a ir más allá de un enfoque puramente basado en reglas o determinista?
UN:El aprendizaje automático y los principios de inteligencia artificial están cambiando rápidamente el funcionamiento de la informática. Una de las formas clave en que esto sucede es con entradas ponderadas o probabilísticas que cambian las entradas de un sistema verdaderamente determinista a algo más abstracto.
En redes neuronales artificiales, las neuronas o unidades individuales reciben entradas probabilísticas. Luego hacen una determinación en cuanto a la salida o el resultado. De esto es de lo que hablan los profesionales cuando hablan de reemplazar el viejo mundo de la programación con un nuevo mundo de computadoras de "entrenamiento" o "enseñanza".
Tradicionalmente, el valor predeterminado era utilizar la programación para obtener resultados informáticos. La programación es un conjunto fijo de entradas deterministas, reglas que la computadora seguirá fielmente.
Por el contrario, permitir entradas probabilísticas es una abstracción de estas reglas, una especie de "aflojamiento de las riendas" para liberar la computadora y tomar decisiones más avanzadas. En cierto modo, las entradas probabilísticas son desconocidas desde una perspectiva externa y no están predeterminadas. Esto está más cerca de la forma en que funcionan nuestros cerebros reales, y es por eso que el aprendizaje automático y los algoritmos de inteligencia artificial que utilizan este enfoque son aclamados como la próxima frontera del desarrollo cognitivo artificial.
Aquí hay una manera fácil de pensar sobre entradas ponderadas o probabilísticas. En la programación tradicional, tenía el tipo de declaración "si / entonces" que generalmente dice: si ESTO, entonces ESO.
Ir más allá del enfoque basado en reglas implica cambiar lo que ESTO es. En un enfoque basado en reglas, ESTO es una entrada de texto o una regla: si lo considera un binario, sabemos si es cierto o no, y también lo hace la computadora. Para que pueda predecir la respuesta de la computadora a cualquier entrada dada.
En el nuevo enfoque, ESTO es en realidad una colección de información que puede estar en cualquier estado dado. Entonces, dado que un observador externo no podría modelar fácilmente en qué consiste ESTO, no podría predecir con precisión cuál podría ser ese resultado.
Piense en este principio aplicado a todo tipo de campos e industrias, desde la segmentación del mercado hasta la verificación financiera, pasando por el entretenimiento y la gestión del agua y alcantarillado, y usted tiene el poder real del aprendizaje automático, el aprendizaje profundo y la inteligencia artificial para dirigir los asuntos humanos en una situación muy nueva. camino. Por ejemplo, en el campo de la gestión del fraude, los expertos señalan que los sistemas de solo reglas no son muy buenos para descubrir la diferencia entre el comportamiento sospechoso o arriesgado y el comportamiento normal: los sistemas de aprendizaje automático armados con sofisticados modelos de entrada son más capaces de tomar decisiones sobre qué actividad podría ser cuestionable.
Otra forma de pensarlo es que el mundo pasó por una era de identificación del código como una nueva frontera para el aprendizaje y la toma de decisiones. Por sí mismos, los resultados deterministas basados en códigos fueron poderosos en términos de modelar todo tipo de actividad y decisiones humanas. Aplicamos todas estas ideas a marketing, ventas, administración pública, etc. Pero ahora, los expertos están hablando sobre "el fin de la codificación", como en esta pieza muy perspicaz e instructiva en Wired. La idea predominante aquí es la misma idea, que en la próxima era, en lugar de codificar, tendremos un sistema en el que entrenaremos a las computadoras para pensar de manera más cercana a cómo pensamos, para poder aprender con el tiempo y hacer decisiones en consecuencia. Gran parte de esto se ha logrado al pasar de un enfoque informático determinista a uno que se abstrae con entradas más sofisticadas.
