Τεχνητή Νοημοσύνη έναντι Κλασικού Αλγοριθμικού Προγραμματισμού

Προς την Τεχνητή Νοημοσύνη από την Κλασική Αλγοριθμική Προγραμματισμό

Οι πρόοδοι στην τεχνητή νοημοσύνη επέτρεψαν την αποδοτική επίλυση σύνθετων υπολογιστικών προβλημάτων που προηγουμένως ήταν δύσκολα, δυσδιάλυτα ή έντονα συνδυαστικά. Αυτά τα προβλήματα περιλαμβάνουν την αναγνώριση προσώπου, την ανίχνευση αντικειμένων, τον σχεδιασμό διαδρομών και τα εξαιρετικά εξατομικευμένα διαδικτυακά συστήματα συστάσεων.

Η πρόκληση για τους οργανισμούς που προχωρούν στο μέλλον είναι για τους στρατηγικούς υπευθύνους λήψης αποφάσεων να αποφασίσουν μεταξύ των παραδοσιακών κλασικών προσεγγίσεων και των προσεγγίσεων τεχνητής νοημοσύνης για την επίλυση σύνθετων υπολογιστικών προβλημάτων. Αυτή η μέθοδος έχει μοναδικές προκλήσεις στην παράδοση ενός ισχυρού συστήματος σε διαστάσεις ακρίβειας, κόστους, δυσκολίας υλοποίησης και συντηρησιμότητας.

Η Κλασική Προσέγγιση Αλγοριθμικού Προγραμματισμού για την Επίλυση Προβλημάτων

Το κλασικό παράδειγμα προγραμματισμού περιλαμβάνει την επίλυση προβλημάτων μέσω προδιαγραφών αλγορίθμων και χρησιμοποιώντας μια καλά καθορισμένη ακολουθία οδηγιών. Οι είσοδοι καθορίζονται και περιορίζονται, αναπτύσσοντας αλγορίθμους για την επεξεργασία εισόδων μέσω καθορισμένων παραδειγμάτων προγραμματισμού (Διαδικαστικό, Αντικειμενοστρεφές, Λειτουργικό και Λογικό) για την παραγωγή εξόδων.

Η ανακάλυψη αλγορίθμων για την επίλυση χρονικά και χωρικά αποδοτικών προβλημάτων είναι διαβόητα απαιτητική. Στη θεωρία υπολογιστικής πολυπλοκότητας, τα προβλήματα είναι είτε P (Πολυωνυμικά), NP (Μη ντετερμινιστικά Πολυωνυμικά), NP-Complete ή NP-Hard. Τα πολυωνυμικά προβλήματα μπορούν να επιλυθούν και να επαληθευτούν γρήγορα, ενώ τα μη πολυωνυμικά προβλήματα δεν μπορούν. Τα προβλήματα NP είναι δύσκολο να επιλυθούν μέσω κλασικών αλγοριθμικών προσεγγίσεων.

Ένα παράδειγμα προβλήματος P είναι η εύρεση της συντομότερης διαδρομής μεταξύ δύο σημείων, ενώ ένα παράδειγμα προβλήματος NP είναι το πρόβλημα του πλανόμενου πωλητή όπου, όταν δίνονται μια σειρά τοποθεσιών, ποια είναι η βέλτιστη διαδρομή για να επισκεφθούν όλες τις τοποθεσίες διανύοντας τη συντομότερη δυνατή απόσταση. Συμβαίνει απλώς πολλά από τα προβλήματα που απαιτείται επί του παρόντος να επιλυθούν υπολογιστικά να εμπίπτουν στην κατηγορία NP. Στις περισσότερες περιπτώσεις, για πρακτικούς σκοπούς, μια προσεγγιστική λύση είναι συχνά επαρκής. Όταν προσεγγίζουν την καθημερινότητα, οι άνθρωποι καταλήγουν πάντα σε προσεγγιστικές λύσεις, π.χ. πλοήγηση.

Υπάρχουν προκλήσεις υλοποίησης στην επίλυση προβλημάτων υπό ένα κλασικό αλγοριθμικό παράδειγμα με αποδοτικό τρόπο. Η αλγοριθμική πολυπλοκότητα είναι ένας κλάδος της επιστήμης υπολογιστών που ασχολείται με το πόσο αποδοτικά εκτελούνται οι αλγόριθμοι στον χρονικό (χρονική πολυπλοκότητα) και χωρικό τομέα (χωρική πολυπλοκότητα).

Ενώ υπάρχουν πολλοί διαφορετικοί τρόποι για να υλοποιηθούν αλγόριθμοι, ένας προφανής αλλά ενδεχομένως μη αποδοτικός τρόπος υλοποίησης ενός αλγορίθμου αναφέρεται συχνά ως «αφελής» αλγόριθμος. Οι πιο αποδοτικοί αλγόριθμοι δεν είναι εύκολο να ανακαλυφθούν, και οι Επιστήμονες Υπολογιστών εργάζονται εδώ και πολλά χρόνια για να βρουν τους καλύτερους αλγορίθμους για την επίλυση κλάσεων προβλημάτων. Οι αλγόριθμοι σε συστήματα παραγωγής υλοποιούνται με χρονικά και χωρικά αποδοτικούς τρόπους. Οι μεγαλύτερες εταιρείες λογισμικού διασφαλίζουν τα υψηλότερα αλγοριθμικά πρότυπα μέσω προγραμματισμού από ομότιμους, παρόμοιο με την αξιολόγηση από ομότιμους. Απαιτούνται πολλά χρόνια εκπαίδευσης και υψηλό βαθμό δεξιότητας για την αποδοτική υλοποίηση αλγορίθμων.

Σε πρακτικό επίπεδο, ενώ οι τεχνικές προγραμματισμού έχουν εξελιχθεί και οι γλώσσες προγραμματισμού (δηλαδή C, C++, Java, JavaScript, PHP, Python) έχουν ποικίλει σε δημοτικότητα, τα βασικά στοιχεία έχουν παραμείνει τα ίδια από τότε που τα Bell Labs, τη δεκαετία του 1970, έγραψαν τα πρώτα αρθρώματα C. Υπάρχουν κάποιες πρακτικοί τρόποι για να λειτουργήσουν θεωρητικά απαιτητικά προβλήματα στην παραγωγή, όπως η χρήση κατανεμημένων συστημάτων. Οι προηγμένες προσεγγίσεις έρχονται με υψηλότερο κόστος και βρίσκονται εκτός των δυνατοτήτων όλων εκτός από τις πιο τεχνολογικά προοδευτικές οργανώσεις.

Δεδομένης της πολυπλοκότητας των κλασικών προσεγγίσεων αλγοριθμικού προγραμματισμού, οι οργανισμοί από καιρό δυσκολεύονται να συγκροτήσουν αποτελεσματικές ομάδες για την εσωτερική παραγωγή τέτοιων συστημάτων. Επιπλέον, πολλοί έχουν επίσης δυσκολευτεί να βρουν εξωτερικούς παρόχους για την επίλυση εξειδικευμένων προκλήσεων που είναι θεωρητικά δυνατό να υλοποιηθούν. Ο σχεδιασμός ενός συγκεκριμένου αλγορίθμου γίνεται σημαντικά πιο περίπλοkos καθώς αυξάνεται η πολυπλοκότητα του προβλήματος. Αυτό ισχύει ειδικά για τα πολυμεταβλητά προβλήματα. Είναι καλύτερο να χρησιμοποιούνται κλασικές αλγοριθμικές προσεγγίσεις σε περιπτώσεις όπου ένας αλγόριθμος μπορεί να λύσει γρήγορα ένα πρόβλημα και να λειτουργήσει για τις περισσότερες περιπτώσεις.

Η προσέγγιση AI για την επίλυση προβλημάτων

Το παράδειγμα της Τεχνητής Νοημοσύνης επιχείρησε να επιλύσει προβλήματα γενικά τροφοδοτώντας εισόδους και επιθυμητές εξόδους σε ένα σύστημα και αφήνοντας το σύστημα να μάθει πώς να επιλύει προβλήματα. Οι τρέχουσες προσεγγίσεις AI εκτελούνται σε κλασικούς υπολογιστές μέσω κλασικών τεχνικών προγραμματισμού. Οι πιο συναρπαστικές μέθοδοι AI είναι τα νευρωνικά δίκτυα και η μάθηση με ενισχυση.

Τα τεχνητά νευρωνικά δίκτυα εκμεταλλεύονται την ανθρώπινη κατανόηση του τρόπου με τον οποίο ο ανθρώπινος νους μαθαίνει και γενικεύει προβλήματα. Η μάθηση ενισχυτική χρησιμοποιεί πράκτορες που εισάγουν μια κατάσταση στόχου και μια σειρά σεναρίων. Ο αλγόριθμος μάθησης διατηρεί τα προτιμότερα αποτελέσματα και απορρίπτει τα δυσμενή αποτελέσματα σε πολλαπλές επαναλήψεις. Η μάθηση ενισχυτική είναι ανάλογη με το λειτουργικό κλασικό εξαρτημένο μάθηση. Ο πράκτορας μαθαίνει πώς να επιτύχει τον στόχο σε πολλές επαναλήψεις εκπαίδευσης.

Μια απαίτηση για την εκπαίδευση λύσεων τεχνητής νοημοσύνης είναι είτε ένα καλά καθορισμένο τεράστιο σύνολο δεδομένων, το οποίο συνήθως συντάσσεται χρησιμοποιώντας έναν συνδυασμό διαφόρων αποθηκών δεδομένων ή δημόσια συμμετοχή, είτε ένα σύστημα μπορεί να μάθει να φτάνει σε μια κατάσταση στόχο εκτελώντας μια σειρά επαναλήψεων. Ένα παράδειγμα αυτού είναι ένα σύστημα που παίζει ένα παιχνίδι ενάντια στον εαυτό του, όπως Σκάκι ή Go, για να μάθει περαιτέρω πώς να αναπτύσσει στρατηγικές για τη βελτίωση των αποτελεσμάτων. Τα τεχνητά δίκτυα και η μάθηση με ενισχυση εκτελούνται και στα δύο σε σενάρια για τα οποία δεν έχουν εκπαιδευτεί και αξιολογούνται παρόμοια με άλλες προσεγγίσεις μηχανικής μάθησης. Αυτές οι προσεγγίσεις γενικεύουν καλά και παρέχουν αποδοτικές λύσεις δεδομένης μιας κλάσης προβλημάτων. Οι λύσεις που βασίζονται στην Τεχνητή Νοημοσύνη ταιριάζουν σε προβλήματα που δεν μπορούν να καθοριστούν εύκολα χρησιμοποιώντας μια ακολουθία οδηγιών· αντ' αυτού απαιτούν περισσότερη «διαίσθηση» και αξιολογικές κρίσεις.

Συνήθως, τα συστήματα Τεχνητής Νοημοσύνης εκπαιδεύονται χρησιμοποιώντας σύνολα δεδομένων και αργότερα αξιολογούνται σε ένα σύνολο αξιολόγησης. Όσα περισσότερα δεδομένα εκπαίδευσης υψηλής ποιότητας εισάγονται σε ένα σύστημα AI, τόσο μεγαλύτερη είναι η πιθανότητα το σύστημα να αποδώσει σε υψηλά πρότυπα. Το πλεονέκτημα των προσεγγίσεων AI είναι ότι μπορούν να συνεχίσουν να βελτιώνονται με την πάροδο του χρόνου καθώς το σύστημα μαθαίνει περισσότερα. Έτσι, πολύπλοκα προβλήματα μπορούν να γενικευτούν και να επιλυθούν από υπολογιστικά συστήματα. Αυτά περιλαμβάνουν ζητήματα που παραδοσιακά επιλύονταν με ανθρώπινη παρέμβαση, αν και η στενή AI μπορεί να θεωρηθεί ως συμπλήρωμα στην υπάρχουσα ανθρώπινη παρέμβαση για τη διασφάλιση καλύτερων αποτελεσμάτων.

Η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση έχουν από καιρό αντιμετωπιστεί με προσοχή από τους οργανισμούς λόγω της έλλειψης ιχνηλασιμότητας και καθορισιμότητας τέτοιων συστημάτων ως προς τον τρόπο ανταπόκρισής τους σε περιπτώσεις χρήσης. Έτσι, η AI μπορεί να δράσει σε σπάνιες περιστάσεις και να ανταποκριθεί απρόβλεπτα όταν το περιμένουν λιγότερο. Γι' αυτό είναι σημαντικό να υπάρχουν σαφώς καθορισμένες περιπτώσεις χρήσης για το πότε θα χρησιμοποιείται η AI, ποια επίπεδα σφάλματος γίνονται αποδεκτά και πώς οι έξοδοι που παράγονται από συστήματα AI θα ελέγχονται από ανθρώπινη εισροή για τη διασφάλιση της ακρίβειας.

Συνολικά, προβλέπουμε ότι η βελτιωμένη ακρίβεια που θα φέρουν τα συστήματα AI, σε συνδυασμό με τις αποδοτικότητες που θα προκύψουν από την ενίσχυση της ανθρώπινης εισόδου, θα αποτελέσει ένα πολύ μεγάλο οικονομικό κίνητρο για πολλούς οργανισμούς ώστε να μην το αγνοήσουν τα επόμενα χρόνια, και τα συστήματα AI θα γίνουν πανταχού παρόντα.

Πότε να Επιλέξετε Τεχνητή Νοημοσύνη και Πότε να Επιλέξετε την Κλασική Προσέγγιση Αλγοριθμικού Προγραμματισμού για την Επίλυση Προβλημάτων

Ενώ δεν υπάρχουν αυστηροί και σταθεροί κανόνες για το πότε να χρησιμοποιείται η καθεμία προσέγγιση, ως γενικός κανόνας, τα προβλήματα που απαιτούν προσεγγιστικές λύσεις και περιλαμβάνουν μακροπρόθεσμο σχεδιασμό προσανατολισμένο σε στόχους, αναγνώριση σύνθετων μοτίβων και επεξεργασία πλήθους μεταβλητών είναι πιο κατάλληλα για την AI. Οι κλασικές αλγοριθμικές προσεγγίσεις είναι πιο κατάλληλες για ακριβείς ή σχεδόν βέλτιστες λύσεις που περιλαμβάνουν έντονη λογική και υπολογισμούς.

Η επιλογή της σωστής προσέγγισης μπορεί να αποφέρει σημαντικά οφέλη για τον οργανισμό σας, ενώ η επιλογή μιας λιγότερο βέλτιστης μεθόδου μπορεί να οδηγήσει σε ουσιαστικές κεφαλαιακές απώλειες, καθώς τα τεχνολογικά έργα είναι ακριβά. Συχνά, η επιλογή αποδεδειγμένων και επιδεικνύσιμων συστημάτων όπως το Telemus AI™ μπορεί να βοηθήσει τους οργανισμούς να διασφαλίσουν την επιτυχία στην ψηφιακή τους μεταμόρφωση με Τεχνητή Νοημοσύνη.

Επικοινωνήστε μαζί μας σήμερα για μια δωρεάν συμβουλευτική σχετικά με το πώς το Telemus AI™ μπορεί να ενσωματωθεί στον οργανισμό σας.