加权或概率方法如何帮助人工智能超越纯粹基于规则或确定性的方法？

机器学习和人工智能原理正在迅速改变计算的工作方式。发生这种情况的关键方式之一是使用加权或概率输入，将输入从真正的确定性系统更改为更抽象的东西。

在人工神经网络中，单个神经元或单元接收概率输入。然后他们确定输出或结果。这就是专业人士在谈论用“训练”或“教学”计算机的新世界取代旧的编程世界时所谈论的内容。

传统上，默认是使用编程来获取计算结果。编程是一组固定的确定性输入——计算机将忠实遵循的规则。

相比之下，允许概率输入是这些规则的抽象，是一种“放松缰绳”，让计算机能够做出更高级的决策。在某种程度上，概率输入从外部角度是不可知的并且不是预先确定的。这更接近我们实际大脑的工作方式，这就是为什么使用这种方法的机器学习和人工智能算法被誉为人工认知发展的下一个前沿。

这是考虑加权或概率输入的简单方法。在传统编程中，您有“if/then”类型的语句，通常表示：if THIS, then THAT。

超越基于规则的方法需要改变现状。在基于规则的方法中，这是一些文本输入或规则：如果您将其视为二进制文件 - 我们知道它是否正确，计算机也知道。因此您可以预测计算机对任何给定输入的响应。

在新方法中，这实际上是可能处于任何给定状态的输入的集合。因此，由于外部观察者无法轻松地模拟其组成，因此他或她无法准确预测结果可能是什么。

想想这个原则应用于各个领域和行业，从市场细分到金融验证到娱乐到供水和下水道管理，你就拥有机器学习、深度学习和人工智能的真正力量，以一种非常新的方式指导人类事务。方式。例如，在欺诈管理领域，专家指出，仅规则系统不太擅长区分可疑或危险行为与正常行为之间的差异——配备复杂输入模型的机器学习系统更有能力做出决策关于哪些活动可能有问题。

另一种思考方式是，世界经历了一个将代码视为学习和决策新领域的时代。就其本身而言，基于代码的确定性结果在对各种人类活动和决策进行建模方面非常强大。我们将所有这些想法应用于营销、销售、公共管理等。但现在，专家们正在谈论“编码的终结”，正如《连线》杂志上这篇非常有洞察力和指导性的文章所示。这里主要的想法是相同的想法，在下一个时代，我们将拥有一个系统，而不是编码，我们将训练计算机以更接近我们的方式思考，能够随着时间的推移学习并做出贡献。做出相应的决定。其中大部分是通过从确定性计算方法转向使用更复杂的输入进行抽象的方法来实现的。