人工智能方法相比:基于规则的测试和学习

基于规则的系统(例如,生产系统中,专家系统)使用规则作为知识表示。这些规则编码到系统形式的if - then - else语句。基于规则的系统的主要思想是捕捉人类专家的知识,在专业领域和体现它在一个计算机系统。就是这样。不能多也不能少。因此,知识编码规则。

所以,在这种情况下,有人可能会说,基于规则的系统只是假情报,因为丢失的学习能力,以同样的方式,人类有时候假同情别人。这不是真实的。这是一个明确的问题是否认为这是一种人工智能。人工智能的研究(毫无疑问)问题上存在争议。所以,让我们认为基于规则的系统是最简单的人工智能。因此,基于规则的系统是模拟情报的能力有限。它总是受到潜在的规则库的规模(知识库)。据说有严格的情报。出于这个原因,基于规则的系统只能实现窄AI。

基于规则的系统就像一个人类与生俱来的固定的知识。人类的知识不会随着时间而改变。这意味着,当这个人遇到问题时没有设计规则,那么这个人类卡住,所以无法解决这个问题。从某种意义上说,人类甚至不理解问题。

这是基于规则的系统的困境。基于规则的系统也会造成其他问题。例如,它很难(几乎不可能)添加规则知识库已经大不引入矛盾的规则。维护这些系统往往过于耗时和昂贵的。因此,基于规则的系统不是很有用的解决问题的复杂域或跨多个不同的但简单域。除此之外,在某些情况下(例如,癌症检测在医学图像),甚至可以显式地定义规则编程式或声明式的方式。通常基于规则的系统的问题,(通常)的学习系统进入游戏。

与基于规则的系统相比,学习系统有一个非常雄心勃勃的目标。人工智能研究的视野,这是比一个具体的视觉,更希望是实现人工智能通过这些系统的学习能力。因此,原则上希望学习系统是模拟智能无限的能力。据说这是自适应智能。学习能力导致自适应智能和自适应智能意味着现有的知识可以改变或丢弃,并可以获得新的知识。因此,这些系统动态构建规则。这也是学习系统不同于基于规则的测试。一个神经网络是一个学习系统的实例。

底线。基于规则的系统依赖于显式声明和一个域的静态模型。学习系统创建自己的模型。

这听起来像是学习系统做一些黑魔法。他们没有。让我们看一看下面的类比Kasper Fredenslund阐明学习系统,找出我们所说的学习。

基于规则的系统之间的差异和学习系统仅仅归结为世卫组织(如计算机系统、人类)的学习。例如,想象一些人类房地产经纪人形成一组。这个群的名字是一个基于规则的系统。

这组然后试图预测房价基于一些给定的关于房子的信息(例如,位置,构建,大小)。此外,想象一下,代理已经知道一些例子的房屋的价格前期定位的基础上,构建,和每个房子的大小。这意味着代理已经训练。代理然后试图预测新房子的价格基于给定的信息。为此,代理很可能开始构建一个模型;例如,想象他们开发了一个模型的形式简单的线性方程:

价格=位置⋅w₁+构建⋅w₂⋅w +大小₃

我们可以很容易想象,代理将使用他们自己的直觉和经验(知识库)权重的值来近似的价格的房子他们从未见过的。通过这样做越来越多的房屋,代理会得到越来越多的数据,因此,代理会(很可能)开始调整模型本身(例如,方程的形式)或模型的参数(权重)最小化预测价格和实际价格之间的差异。所以,学习的关键在于反馈。学习任何没有它(几乎是不可能的史蒂文•莱维特(steven Levitt))。(以粗略计算)的基于规则的系统是如何工作的。

相比之下,一个学习系统说,“螺丝代理商;我们不需要人类!“学习系统(简而言之)自动调整权重的过程来减少实际价格之间的差异和价格预测,就像人类的代理。因此,实际价格之间的差异和预测价格是众所周知的学习系统的效用函数(成本函数)。

学习系统的目标是最小化函数和系统通过调整权重函数最小化以这样一种方式。因此,学习就是找到合适的重量最小化效用函数。在学习系统(例如,深层神经网络),优化的过程(最小化,最大化)效用函数反向传播,这是通过传统的优化技术。

这些优化技术(例如,梯度下降法,随机梯度下降法)确实是基于规则的技术,因为这些技术计算梯度,需要调整神经网络的权重和偏见来优化它的效用函数。这一切是如何实现在实践中有很大的不同(例如,监督和无人管理的学习),但是这个例子不太远离现实。

底线。优化学习的核心系统。学习系统严重依赖基于规则的技术(例如,数学优化)。

这些系统的问题是什么?虽然学习过程是确定的(包括统计和概率方法),几乎是不可能从实用的角度来提取模型的内部工作学习系统由于其复杂性,造成大量的动态参数(如重量、偏见)。

自然结果,模型已经吸取了不能解释,解释,和理解人类。出于这个原因,通常被称为学习系统黑盒。它不是完全清楚这些系统使他们的决定。这是秘密的核心学习系统(将骑士)。根据Tommi Jaakkola(麻省理工学院计算机科学),这已经是一个大问题对于许多应用程序;是否这是一个投资决策,一个医疗的决定,或军事的决定,你不想仅仅依靠一个黑盒子。

底线。没有黑魔法与学习系统有关。只有知识(或多或少)隐藏在这些学习系统(基因沃尔夫)。出于这个原因,大多数AIs尚未compliance-ready。

值得注意的是,欧盟可能会创建一个正确的解释通过GDPR即用户可以要求一个解释算法决定的。人工智能技术GDPR改变吗?它不是十分清楚它到底是什么意思。还有待观察是否依法强制执行这一法律。不清楚,法律更有权通知而不是解释的权利。因此,GDPR对人工智能的影响争论仍很严重。

2015年,一个研究小组在纽约西奈山医院启发应用学习系统(通过深度实现机器学习)医院的病人记录的数据库。这个数据集特征数百个变量对病人,来自他们的测试结果,医生访问,等等。由此产生的学习系统,称为深的病人从大约700000个人,被训练使用数据,测试新记录时,这被证明是非常擅长预测疾病。没有任何专家指导,深深的藏在医院病人发现模式的数据似乎表明,当人们在广泛的疾病,包括癌症的肝脏。

有很多不错的方法在预测疾病病人的记录,根据乔尔·达德利,西奈山小组负责人。但是,他补充说,“这是更好的方式。“同时,深病人有点令人费解。似乎预料到精神疾病如精神分裂症的发病出奇的好。但由于精神分裂症医生是出了名的难以预测,达德利想知道这是可能的。他仍然不知道。深病人提供任何线索,它是如何工作的。如果类似深病人会帮助医生,将理想情况下给他们理由预测,向他们保证,它是准确的和证明,例如,改变药物有人规定。“我们能建立这些模型,”杜利说,“但我们不知道它们是如何工作的”(将骑士,人工智能的黑暗的秘密)。

在最近的一次ted演讲(2017年12月)彼得·哈斯(布朗大学)描述了一些相关的问题与最先进的人工智能技术,特别是在图像识别领域。例如,哈斯讨论一个简单的例子,一个学习系统被要求区分狼和狗的图片。他展示了一个例子,一只狗(上图)被误认为狼学习系统。学习系统的研发人员不知道为什么会这样。

他们改写了整个算法的学习系统可以显示他们的部分图片作决定时注意。结果是描述上图右边。原来的学习系统主要注意到雪的背景图像。这是一种偏见送入学习系统的数据集。

发现大部分的狼的照片被用来训练学习系统在雪见狼。因此,学习系统合并雪的存在与否与狼的存在与否。可怕的事情是,研究人员不知道这发生了,直到他们重写了学习算法来解释本身。

你可能不关心区分狼和狗的图片,但是你应该。底线是,学习系统也使用在现实生活中,真正的法官做出真正决定人们的生活。这些学习系统是用来决定是否你得到房屋贷款,面试,和医疗补助。这个列表可以永远继续下去。所以,你应该(至少)护理。

底线。如果你不需要理解模型,已经学会了和你有足够的训练数据和足够的可用的计算能力,然后一个学习系统的速度将提供很有价值的想法。

决定是否去一个基于规则的系统或学习系统取决于你想解决的问题,它总是一个权衡了效率,培训成本,和理解。如上所述,基于规则的系统以及学习系统实现的具体技术(算法)。这些术语只是保护伞条款,每个代表一组各种特定的技术。

例如,学习系统是通过机器学习技术实现的,而“机器学习”这个词本身又是一个集体标题为各种不同的技术,如机器学习深(实现了神经网络),强化学习,遗传算法,决策树学习,支持向量机(众)和许多更多。所以,没有单一的机器学习技术。基于规则的分类也只是一个手提箱词一堆技术(例如,优化技术)。

我们将跳过所有这些技术的细节,所以我们不迷失在细节。绝不是这篇文章的意思是一个详尽的关于这些技术资源。基于规则和学习系统和知识之间的关系如何相互作用是充分讨论软件测试他们的应用程序。188金宝搏官网登录app

建议。如果您不熟悉这些术语和技术,我们推荐一些学习视频神经网络,梯度下降法,反向传播。