प्रश्न:
विशुद्ध रूप से नियम-आधारित या नियतात्मक दृष्टिकोण से परे जाने के लिए भारित या संभाव्य दृष्टिकोण एआई की मदद कैसे करता है?
ए:मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस सिद्धांत तेजी से बदल रहे हैं कि कंप्यूटिंग कैसे काम करती है। प्रमुख तरीकों में से एक यह हो रहा है भारित या संभाव्य इनपुटों के साथ जो इनपुट को वास्तव में नियतात्मक प्रणाली से कुछ अलग सार में बदलते हैं।
कृत्रिम तंत्रिका नेटवर्क में, व्यक्तिगत न्यूरॉन्स या इकाइयां संभाव्य इनपुट प्राप्त करती हैं। वे तब आउटपुट या परिणाम के रूप में एक दृढ़ संकल्प बनाते हैं। यह वही है जो पेशेवरों के बारे में बात कर रहे हैं जब वे "प्रशिक्षण" या "शिक्षण" कंप्यूटर की एक नई दुनिया के साथ प्रोग्रामिंग की पुरानी दुनिया को बदलने की बात करते हैं।
परंपरागत रूप से, डिफ़ॉल्ट को कंप्यूटिंग परिणाम प्राप्त करने के लिए प्रोग्रामिंग का उपयोग करना था। प्रोग्रामिंग नियतात्मक आदानों का एक निश्चित सेट है - नियम जो कंप्यूटर का पालन करेंगे।
इसके विपरीत, संभाव्य आदानों के लिए अनुमति देना इन नियमों का एक अमूर्त हिस्सा है, और अधिक उन्नत निर्णय लेने के लिए कंप्यूटर को मुक्त करने के लिए "बागडोर का सुस्त होना"। एक तरह से, संभाव्य इनपुट बाहरी दृष्टिकोण से अनजाने हैं और पूर्व निर्धारित नहीं हैं। यह हमारे वास्तविक दिमाग के काम करने के तरीके के करीब है, और इसीलिए इस दृष्टिकोण का उपयोग करते हुए मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस एल्गोरिदम को कृत्रिम संज्ञानात्मक विकास के अगले सीमा के रूप में तैयार किया जा रहा है।
यहां भारित या संभाव्य इनपुट के बारे में सोचने का एक आसान तरीका है। पारंपरिक प्रोग्रामिंग में, आपके पास "if / then" स्टेटमेंट का प्रकार होता है जो आम तौर पर कहता है: यदि THIS, तो THAT।
नियम-आधारित दृष्टिकोण से आगे बढ़ने में यह बदलना शामिल है कि यह क्या है। एक नियम-आधारित दृष्टिकोण में, यह कुछ पाठ इनपुट या नियम है: यदि आप इसे एक द्विआधारी के रूप में सोचते हैं - हम जानते हैं कि क्या यह सच है या नहीं, और इसलिए कंप्यूटर करता है। तो आप किसी भी इनपुट के लिए कंप्यूटर की प्रतिक्रिया की भविष्यवाणी कर सकते हैं।
नए दृष्टिकोण में, यह वास्तव में इनपुट का एक संग्रह है जो किसी भी स्थिति में हो सकता है। इसलिए जब से एक बाहरी पर्यवेक्षक आसानी से यह पता लगाने में सक्षम नहीं होगा कि इसमें क्या शामिल है, वह या वह सटीक रूप से भविष्यवाणी नहीं कर सकता है कि यह परिणाम क्या हो सकता है।
बाजार विभाजन से लेकर वित्तीय सत्यापन तक मनोरंजन से लेकर पानी और सीवर प्रबंधन तक सभी प्रकार के क्षेत्रों और उद्योगों पर लागू होने वाले इस सिद्धांत के बारे में सोचें, और आपके पास बहुत ही नए तरीके से मानव मामलों को निर्देशित करने के लिए मशीन सीखने, गहरी सीखने और कृत्रिम बुद्धिमत्ता की वास्तविक शक्ति है मार्ग। उदाहरण के लिए, धोखाधड़ी प्रबंधन के क्षेत्र में, विशेषज्ञ बताते हैं कि केवल संदिग्ध या जोखिम भरे व्यवहार और सामान्य व्यवहार के बीच अंतर का पता लगाने में नियम-व्यवस्था बहुत अच्छी नहीं है - परिष्कृत इनपुट मॉडल से लैस मशीन लर्निंग सिस्टम निर्णय लेने में अधिक सक्षम होते हैं क्या गतिविधि संदिग्ध हो सकती है।
इसके बारे में सोचने का एक और तरीका यह है कि दुनिया सीखने और निर्णय लेने के नए कोड के रूप में कोड की पहचान करने के युग से गुजरी। अपने आप में, निर्धारक कोड-आधारित परिणाम सभी प्रकार की मानवीय गतिविधियों और निर्णयों को मॉडलिंग करने के संदर्भ में शक्तिशाली थे। हमने इन सभी विचारों को विपणन, बिक्री, सार्वजनिक प्रशासन, आदि पर लागू किया, लेकिन अब, विशेषज्ञ "कोडिंग के अंत" के बारे में बात कर रहे हैं, जैसा कि वायर्ड में इस बहुत ही व्यावहारिक और शिक्षाप्रद टुकड़े में है। यहाँ मुख्य विचार एक ही विचार है, कि अगले युग में, कोडिंग के बजाय, हमारे पास एक ऐसी प्रणाली होगी जहाँ हम कंप्यूटर को उन तरीकों से सोचने के लिए प्रशिक्षित करते हैं जो हम कैसे सोचते हैं, समय के साथ सीखने और बनाने में सक्षम हैं। तदनुसार निर्णय। इसमें से अधिकांश को एक नियतात्मक कंप्यूटिंग दृष्टिकोण से स्थानांतरित करके पूरा किया गया है जो अधिक परिष्कृत आदानों के साथ सार है।
