Как ИИ принимает решения?

Эй, товарищи Data Folks!

Чем дольше я работаю с алгоритмами, тем дольше я убеждаюсь, что алгоритмы — это просто человеческий способ заставить машины имитировать то, как мы думаем.

В любую секунду мы поглощаем 11 миллионов битов информации, но обрабатываем только 40-50 из них. Мы эволюционировали, чтобы сосредоточиться только на тех фрагментах информации, которые наиболее ценны для нашего выживания.

При построении алгоритмов мы используем данные, чтобы делать прогнозы или помогать в принятии решений, при этом некоторые функции более ценны или полезны для нашего анализа, чем другие.

Разница между алгоритмами, обрабатывающими наши данные, и разумом, обрабатывающим окружающий мир, заключается в способности понимать контекст и легко переключаться между индуктивными (когда мне жарко, я потею. Поэтому, когда в будущем будет жарко, я буду потеть в будущее), дедуктивное (если A = B, B = C, следовательно, A = C) и абдуктивное рассуждение (я оставил свою еду на прилавке в комнате с моей собакой. Я вернулся, а моей еды нет, и моя собака выглядит виноватой. Моя собака, должно быть, съела мою еду). Алгоритмы можно обучить надежно выполнять все эти типы рассуждений, но не так надежно одновременно, как это могут делать люди.

Индуктивное мышление

Индуктивное рассуждение следует определенному пути. Он начинает делать конкретное наблюдение (листья на наблюдаемом дереве зеленые), замечает закономерность (все деревья передо мной имеют зеленые листья) и делает общий вывод (все деревья имеют зеленые листья). Алгоритмы классификации, такие как поскольку логистическая регрессия хорошо работает в индуктивных рассуждениях, у них есть целевая переменная и используются определенные функции, чтобы сделать более широкий вывод.

Вот пример этого явления. Допустим, вы выполняете алгоритм логистической регрессии, способный идентифицировать разницу между яблоком и апельсином. Ваша целевая переменная — это двоичная переменная — 1 для Apple или 0 для Orange. Ваши функции являются категориальными переменными для цвета и текстуры кожи и логическим значением для основы или отсутствия основы. При запуске вашей модели алгоритм делает вывод, что фрукт является яблоком, если цвет фрукта не оранжевый, кожица гладкая и есть плодоножка. Особенности специфичны, алгоритм способен обнаруживать паттерн, и, в конце концов, результирующий результат является общим.

Дедуктивное мышление

Если индуктивное рассуждение начинается с частного и приводит к общему, то дедуктивное рассуждение начинается с общего и делает конкретные выводы. Это было бы похоже на то, как если бы вы проехали мимо леса, заметив, что все листья на деревьях зеленые, а затем выдвинули гипотезу о том, что у любого данного дерева в этом лесу также будут зеленые листья.

Основные алгоритмы кластеризации хорошо справляются с дедуктивными рассуждениями. Они берут признаки в модели, идентифицируют точки данных, наиболее близкие друг к другу вокруг центроида, и группируют их на основе близости, тем самым используя общую информацию (все точки данных находятся в этой плоскости), чтобы делать конкретные выводы (ближайшие точки в евклидовом пространстве наиболее похожи в как это ценно).

Абдуктивное рассуждение

Абдуктивное рассуждение происходит, когда алгоритм делает вывод с неполными данными после того, как заметил закономерность. Допустим, вы хотите определить температуру снаружи, используя только одежду, которую носят люди. Когда людям холодно, они обычно носят пальто. Глядя на улицу, никто не носит пальто, поэтому вы делаете вывод, что здесь должно быть тепло.

Алгоритмы обучения с подкреплением хорошо работают при абдуктивных рассуждениях. Агенты используют смоделированную среду, чтобы делать выводы в условиях неполных наблюдений, вычисляя траектории и оптимизируя вознаграждение.

Давайте рассмотрим пример. Предположим, вы создаете алгоритм Q-Learning в качестве базовой модели беспилотного транспортного средства для доставки посылок людям по соседству. Вы хотите быть уверены, что ваш беспилотный автомобиль сможет доставить все посылки к концу дня безопасно и эффективно. Чтобы обучить свой самоуправляемый автомобиль, вы создаете цифрового агента, которого вы можете вознаграждать каждый раз, когда автомобиль благополучно сбрасывает посылку.

Ваш агент может наблюдать за действиями человека-эксперта, управляющего маршрутом доставки и принимающего решения на этом пути. После каждого наблюдения агент пробует свои силы в прохождении маршрута, пока не примет наилучшее решение для получения оптимального вознаграждения. Решения, которые может принять агент, включают в себя оптимальную скорость движения, способ поворота руля, когда тормозить и когда ускоряться. Однако по мере того, как агент едет по обычному пути, он сталкивается со стройкой, из-за которой возникает пробка. Это может выглядеть примерно так:

Исследователи могут подтолкнуть агента к принятию решения о наилучшем выборе, даже если он столкнулся с новой ситуацией, с которой раньше не сталкивался. Проведя дополнительное обучение, агент может сделать наилучший прогноз наилучшего действия, продолжая выполнять свою основную задачу: своевременно доставлять все посылки в целости и сохранности. Во время своих вычислений агент может обнаружить, что есть еще одна посылка, которая должна быть доставлена, которая, возможно, традиционно была доставлена ​​позже по его маршруту. Сделав крюк и доставив пакет в другой дом, а затем отправившись по новому пути обратно в исходный дом, агент может получить максимальное вознаграждение. Вот как может выглядеть это решение:

Этот тип рассуждения является примером абдуктивного рассуждения. Агент смог выбрать наилучший план действий, даже несмотря на то, что у него не было полной информации о конструкции, вызвавшей трафик. Он смог понять, что трафик увеличит время доставки и что лучше всего попробовать другой путь без предупреждения.

Заключение

Каждый обсуждаемый тип рассуждений имеет свои преимущества и недостатки в зависимости от задачи, к которой он применяется. Расширение возможностей ИИ за счет понимания всех трех основных типов рассуждений ИИ может приблизить нас на один шаг к более полезному и надежному обобщающему ИИ.

Является ли это на самом деле оптимальной целью для будущего состояния нашего ИИ, еще неизвестно, однако, если предположить, что это так, ИИ со способностью рассуждать с таким уровнем сложности изменит правила игры.

Что вы думаете? Расскажи мне ниже.

Подпишитесь на меня, чтобы быть в курсе новых статей о данных и искусственном интеллекте!

** Все изображения созданы автором.