如何在基于规则的人工智能和机器学习之间做出选择
各行各业的公司都在探索和实施从大数据到机器人技术的人工智能(AI) 项目,以实现业务流程自动化、改善客户体验和创新产品开发。根据麦肯锡的说法,“通过人工智能对生产力和增长的贡献,拥抱人工智能将为企业和经济带来可观的好处。” 但伴随着这一承诺而来的是挑战。
计算机和机器并不是带着固有的知识或对事物如何运作的理解来到这个世界的。像人类一样,他们需要被教导红灯代表停止,绿灯代表走。那么,这些机器如何真正获得执行驾驶汽车或诊断疾病等任务所需的智能?
数据或萧条
实现 AI 的方法有很多种,而对它们来说存在的都是数据。没有高质量的数据,人工智能就是一个白日梦。有两种方法可以操纵数据——通过规则或机器学习——来实现人工智能,以及一些最佳实践来帮助您在这两种方法之间进行选择。
基于规则的系统
早在人工智能和机器学习 (ML) 成为高科技领域之外的主流术语之前,开发人员就将人类知识作为规则编码到计算机系统中,并存储在知识库中。这些规则定义了任务的所有方面,通常以“If”语句的形式(“如果 A,则执行 B,否则如果 X,则执行 Y ”)。
虽然必须编写的规则数量取决于您希望系统处理的动作数量(例如,20 个动作意味着手动编写和编码至少 20 个规则),但基于规则的系统通常工作量更低,成本更高- 有效且风险较小,因为这些规则不会自行更改或更新。然而,规则可以通过严格的智能来限制人工智能的能力,这些智能只能做他们被写下来的事情。
机器学习系统
虽然基于规则的系统可以被视为具有“固定”智能,但相比之下,机器学习系统是自适应的,并试图模拟人类智能。仍然有一层底层规则,但不是人类编写固定集,机器有能力自行学习新规则,并丢弃不再起作用的规则。
在实践中,机器可以通过多种方式进行学习,但监督训练——当机器获得要训练的数据时——通常是机器学习程序的第一步。最终,机器将能够自行解释、分类和执行带有未标记数据或未知信息的其他任务。
从哪里开始组织的 AI 战略:
人工智能的预期收益很高,因此公司在执行初期做出的决策对成功至关重要。Foundational 将您的技术选择与 AI 旨在实现的基本业务目标保持一致。你想解决什么问题,或者你想迎接什么挑战?
实施基于规则或机器学习系统的决定将对公司 AI 程序的发展和扩展方式产生长期影响。在评估哪种方法适合您的组织时,需要考虑以下最佳实践:
选择基于规则的方法时有意义:
固定结果:当结果数量很少或固定时。例如,“添加到购物车”按钮只能处于两种状态,按下或未按下。虽然可以使用机器学习来检测用户是否按下了按钮,但应用这种类型的方法是没有意义的。
错误的风险:错误的惩罚太高,不会冒误报的风险,因此只有规则——100% 准确——应该被实施。
没有为 ML做计划:如果维护系统的人没有机器学习知识,并且企业没有计划为其继续前进。
何时应用机器学习:
简单规则不适用:当使用简单规则没有容易定义的方法来解决任务时
变化速度:当情况、场景和数据的变化速度超过不断编写新规则的能力时。
自然语言处理:需要理解语言或自然语言处理的任务。由于有无数种表达方式,为普通语言编写规则是不现实的,如果不是完全不可能的话。机器学习的先天自适应智能针对规模进行了优化。
人工智能的承诺是真实的,但对于许多组织而言,挑战在于从哪里开始。如果您属于此类别,请首先确定基于规则的方法还是 ML 方法最适合您的组织。