Tehisintellekt vs klassikaline algoritmline programmeerimine

Klassikalisest algoritmilisest programmeerimisest tehisintellekti poole

Tehisintellekti arengud on võimaldanud keerulisi arvutusprobleeme tõhusalt lahendada, mis on varem olnud rasked, raskesti lahendatavad või tugevalt kombinatoriaalsed. Need probleemid hõlmavad näotuvastust, objektituvastust, marsruudi planeerimist ja väga isikupärastatud veebipõhiseid soovitussüsteeme.

Organisatsioonide väljakutse tulevikku suundudes on strateegilistel otsustajatel valida traditsiooniliste klassikaliste lähenemiste ja tehisintellekti lähenemiste vahel keeruliste arvutusprobleemide lahendamiseks. Mõlemal meetodil on unikaalsed väljakutsed tugeva süsteemi tarnimisel täpsuse, kulu, juurutamise raskuse ja hooldatavuse mõõtmetes.

Klassikaline algoritmilise programmeerimise lähenemine probleemide lahendamisele

Klassikaline programmeerimisparadigma hõlmab probleemide lahendamist ettekirjutatud algoritmide ja hästi defineeritud juhiste jada kaudu. Sisendid on defineeritud ja piiratud, arendades algoritme, mis töötlevad sisendeid defineeritud programmeerimisparadigmade (Protseduuriline, Objektorienteeritud, Funktsionaalne ja Loogiline) kaudu, et toota väljundeid.

Algoritmide leidmine ajaliselt ja ruumiliselt tõhusate probleemide lahendamiseks on notooriselt keeruline. Arvutusliku keerukuse teoorias on probleemid kas P (Polünomiaalne), NP (Mittemääratlik Polünomiaalne), NP-Täielik või NP-Raske. Polünomiaalseid probleeme saab kiiresti lahendada ja kontrollida, samas kui mittepolünomiaalseid probleeme ei saa. NP probleeme on klassikaliste algoritmiliste lähenemisviisidega raske lahendada.

Näide P probleemist on lühima tee leidmine kahe punkti vahel, samas kui näide NP probleemist on rändkaupleja probleem, kus antud seeria asukohtade korral on küsitud, milline on optimaalne tee kõigi kohtade külastamiseks, läbides lühima võimaliku vahemaa. Juhtub nii, et paljud probleemid, mis on praegu arvutuslikult lahendamist vajavad, kuuluvad NP kategooriasse. Enamikel juhtudel on praktilistel eesmärkidel ligikaudne lahendus sageli piisav. Igapäevaelu lähenemisel leiavad inimesed alati ligikaudseid lahendusi, nt navigeerimine.

Klassikalise algoritmilise paradigma all probleemide tõhusa lahendamise esineb rakendamise väljakutseid. Algoritmiline keerukus on arvutiteaduse haru, mis tegeleb sellega, kui tõhusad algoritmid töötavad ajalises (ajakeerukus) ja ruumilises domeenis (ruumikeerukus).

Kuigi algoritmide rakendamiseks on palju erinevaid viise, nimetatakse ilmset, kuid potentsiaalselt ebaefektiivset viisi algoritmi rakendamiseks sageli „naiivseks“ algoritmiks. Enamik tõhusaid algoritme pole lihtne avastada ja arvutiteadlased on aastaid töötanud, et leida parimad algoritmid probleemide klasside lahendamiseks. Tootmissüsteemide algoritmid rakendatakse ajaliselt ja ruumiliselt tõhusatel viisidel. Suurimad tarkvarafirmad tagavad kõrgeimad algoritmilised standardid kaasprogrammeerimise teel, sarnaselt kaasretsenseerimisega. Algoritmide tõhusaks rakendamiseks on vaja palju aastaid koolitust ja kõrget oskustaset.

Praktiliselt vaadates, kuigi programmeerimistehnikad on arenenud ja programmeerimiskeelte (nt C, C++, Java, JavaScript, PHP, Python) populaarsus on kõikunud, on alused püsinud samad alates ajast, mil Bell Labs kirjutas 1970. aastatel esimesed C-moodulid. On olemas mõned praktilised viisid, kuidas teoreetiliselt keerulised probleemid tootmises tööle panna, näiteks hajussüsteemide kasutamine. Täiustatud lähenemisviisid on kallimad ja ületavad kõigi peale kõige tehnoloogiliselt arenenud organisatsioonide võimalused.

Arvestades klassikaliste algoritmiliste programmeerimislähenemiste keerukust, on organisatsioonidel juba ammu olnud raske luua tõhusaid meeskondi selliste süsteemide sisemiseks tootmiseks. Lisaks on paljudel olnud raske leida väliseid teenusepakkujaid niššide väljakutsete lahendamiseks, mis on teoreetiliselt võimalik rakendada. Spetsiifilise algoritmi disainimine muutub oluliselt keerukamaks, kui probleemi keerukus suureneb. See kehtib eriti mitmemuutujaliste probleemide puhul. Klassikalisi algoritmilisi lähenemisi on kõige parem kasutada olukordades, kus algoritm saab probleemi kiiresti lahendada ja toimib enamikus juhtudel.

AI lähenemine probleemide lahendamisele

Tehisintellekti paradigma üritas lahendada probleeme üldiselt, sisestades süsteemi sisendid ja soovitud väljundid, lastes süsteemil õppida, kuidas probleeme lahendada. Praegused AI lähenemised töötavad klassikalistel arvutitel klassikaliste programmeerimistehnikate kaudu. Põnevaimad AI meetodid on neurovõrgud ja tugevdatud õppimine.

Tehislikud neurovõrgud kasutavad ära inimese arusaamist sellest, kuidas inimmõistus õpib ja üldistab probleeme. Tugevdatud õpe kasutab agente, sisestades eesoleku ja seeria stsenaariume. Õppealgoritm säilitab eelistatud tulemused ja loobub ebasoodsatest tulemustest mitme iteratsiooni jooksul. Tugevdatud õpe on analoogne operantse tingimisega. Agent õpib, kuidas eesmärki saavutada paljude treeningiteratsioonide jooksul.

Tehisintellekti lahenduste treenimise nõue on kas hästi defineeritud mahukas andmekogum, mis on tavaliselt koostatud kasutades kombinatsiooni erinevatest andmeladudest või crowdsourcingust, või süsteem saab õppida jõudma sihtolekusse, läbides rea iteratsioone. Näide sellest on süsteem, mis mängib iseenda vastu mängu, nagu male või Go, et edasi õppida, kuidas arendada strateegiaid tulemuste parandamiseks. Tehislikku võrku ja tugevdatud õppimist käitatakse stsenaariumidel, mille jaoks neid pole treenitud, ja hinnatakse sarnaselt teiste masinõppe lähenemistega. Need lähenemised üldistavad hästi ja pakuvad tõhusaid lahendusi antud probleemide klassi jaoks. Tehisintellektil põhinevad lahendused sobivad probleemidele, mida ei saa hõlpsasti defineerida juhiste jadaga; selle asemel on need vajavad rohkem „intuitsiooni“ ja väärtushinnanguid.

Tavaliselt treenitakse tehisintellekti süsteeme andmekogumite abil ja hinnatakse hiljem hindamiskogumil. Mida rohkem kvaliteetseid treeningu andmeid AI süsteemi sisestatakse, seda suurem on süsteemi tõenäosus kõrgetele standarditele vastavaks esinemiseks. AI lähenemisviiside eelis on see, et need saavad aja jooksul jätkuvalt paraneda, kuna süsteem õpib juurde. Seega saab keerulisi probleeme üldistada ja lahendada arvutussüsteemide abil. Nende hulka kuuluvad probleemid, mis on traditsiooniliselt lahendatud inimese sisestusega, ehkki kitsas AI-d võib vaadelda kui olemasoleva inimese sisestuse täiendust, et tagada paremad tulemused.

Tehisintellekti ja masinõpet on organisatsioonid juba ammu vaadelnud ettevaatlikult, kuna sellistel süsteemidel puudub jälgitavus ja deterministlikkus selles, kuidas nad kasutusjuhtumitele reageerivad. Seega võib AI harvadel juhtudel käituda ja reageerida ettearvamatult, kui seda kõige vähem oodatakse. Seetõttu on oluline selgelt defineerida kasutusjuhtumid, millal AI-d kasutatakse, millised veatasemed on aktsepteeritavad ja kuidas AI süsteemide poolt toodetud väljundeid inimese poolt üle vaadatakse, et tagada täpsus.

Kokkuvõttes ennustame, et AI süsteemide toodav täiustatud täpsus koos inimmõju lisamisest saadud tõhususega, saab olema liiga suur finantsiline stiimul, et paljud organisatsioonid ei saaks seda eirata, ja tulevastel aastatel muutuvad AI süsteemid läbivaks.

Millal valida tehisintellekt ja millal valida probleemide lahendamiseks klassikaline algoritmilise programmeerimise lähenemisviis

Kuigi ei ole kindlaid ja kiireid reegleid selle kohta, millal kumbagi lähenemisviisi kasutada, kehtib üldreeglina, et probleemid, mis nõuavad ligikaudseid lahendusi ja hõlmavad eesmärgipõhist pikaajalist planeerimist, keerukat mustrite tuvastamist ja paljude muutujate töötlemist, sobivad paremini AI-ga. Klassikalised algoritmilised lähenemisviisid sobivad paremini täpsete või peaaegu optimaalsete lahenduste jaoks, mis hõlmavad rasket loogikat ja arvutusi.

Õige lähenemisviisi valimine võib tuua teie organisatsioonile märkimisväärseid kasu, samas kui vähem optimaalse meetodi valimine võib põhjustada märkimisväärse kapotikao, kuna tehnoloogiaprojektid on kulukad. Sageli tõestatud ja demonstreeritavate süsteemide nagu Telemus AI™ kasutamine võib aidata organisatsioonidel tagada edu nende tehisintellekti digitaalse transformatsiooni vallas.

Võtke meiega täna ühendust tasuta nõustamiseks selle kohta, kuidas Telemus AI™ saab teie organisatsiooni integreerida.