Dirbtinis intelektas palyginti su klasikiniu algoritminiu programavimu

Link Dirbtinio Intelekto iš Klasikinio Algoritminio Programavimo

Dirbtinio intelekto pasiekimai leido efektyviai spręsti sudėtingas skaičiavimo problemas, kurios anksčiau buvo sudėtingos, neišsprendžiamos ar labai kombinatorinės. Šios problemos apima veido atpažinimą, objektų aptikimą, maršruto planavimą ir labai personalizuotas internetines rekomendacijų sistemas.

Iššūkis organizacijoms, judančioms į priekį ateityje, yra strateginiams sprendimų priėmėjams pasirinkti tarp tradicinių klasikinių metodų ir dirbtinio intelekto metodų sudėtingoms skaičiavimo problemoms spręsti. Abu metodai turi unikalių iššūkių, kuriant tvirtą sistemą tikslumo, kainos, įgyvendinimo sudėtingumo ir palaikymo dimensijose.

Klasikinis algoritminio programavimo požiūris į problemų sprendimą

Klasikinio programavimo paradigma apima problemų sprendimą per preskriptyvius algoritmus ir naudojant gerai apibrėžtą instrukcijų seką. Įvestys yra apibrėžtos ir apribotos, kuriant algoritmus įvestims apdoroti per apibrėžtas programavimo paradigmas (Procedūrinis, Objektinis, Funkcinis ir Loginis), kad būtų gauti išėjimai.

Algoritmų, skirtų spręsti laiko ir erdvės požiūriu efektyvias problemas, atradimas yra žinomai sudėtingas. Skaičiavimo sudėtingumo teorijoje problemos yra arba P (Polinominės), NP (Nedeterministinės polinominės), NP-Complete arba NP-Hard. Polinominės problemos gali būti išspręstos ir patikrintos greitai, o nepolinominės problemos – ne. NP problemas sunku išspręsti naudojant klasikinius algoritminius metodus.

P problemos pavyzdys yra trumpiausio kelio tarp dviejų taškų radimas, o NP problemos pavyzdys yra keliaujančio prekeivio problema, kuriai spręsti, gavus vietovių sąrašą, reikia rasti optimalų maršrutą aplankyti visas vietas, įveikiant trumpiausią įmanomą atstumą. Atsitinka taip, kad daugelis problemų, kurias šiuo metu reikia išspręsti kompiuteriniu būdu, patenka į NP kategoriją. Daugeliu atvejų, praktiniais tikslais, dažnai pakanka apytikslio sprendimo. Spręsdami kasdienes užduotis, žmonės visada sugalvoja apytikslius sprendimus, t. y. navigaciją.

Yra įgyvendinimo iššūkių sprendžiant problemas pagal klasikinį algoritminį paradigmos efektyvumo būdą. Algoritminis sudėtingumas yra informatikos šaka, nagrinėjanti, kaip efektyviai algoritmai veikia laiko (laiko sudėtingumas) ir erdvės (erdvės sudėtingumas) srityse.

Nors yra daug skirtingų būdų įgyvendinti algoritmus, akivaizdus, bet potencialiai neefektyvus būdas įgyvendinti algoritmą dažnai vadinamas „naiviuoju“ algoritmu. Efektyviausi algoritmai nėra lengvai atrandami, ir kompiuterių mokslininkai daugelį metų dirbo, kad rastų geriausius algoritmus klasių problemoms spręsti. Gamybinių sistemų algoritmai įgyvendinami laiko ir erdvės atžvilgiu efektyviais būdais. Didžiausios programinės įrangos įmonės užtikrina aukščiausius algoritminius standartus per lygiavertį programavimą, panašų į lygiavertę peržiūrą. Reikia daugelio metų mokymosi ir aukšto įgūdžių lygio, norint efektyviai įgyvendinti algoritmus.

Praktiniu požiūriu, nors programavimo technikos tobulėjo, o programavimo kalbų (t. y. C, C++, Java, JavaScript, PHP, Python) populiarumas kito, pagrindai išliko tie patys nuo tada, kai Bell Labs 7-ajame dešimtmetyje parašė pirmuosius C modulius. Yra keletas praktinių būdų, kaip teoriškai sudėtingas problemas pritaikyti gamyboje, pavyzdžiui, naudojant paskirstytąsias sistemas. Pažangūs metodai kainuoja daugiau ir viršija visų, išskyrus technologiškai pažangiausias organizacijas, galimybes.

Atsižvelgiant į klasikinių algoritminio programavimo metodų sudėtingumą, organizacijoms jau seniai buvo sunku sukurti efektyvias komandas, galinčias kurti tokias sistemas viduje. Be to, daugeliui taip pat buvo sunku rasti išorinius tiekėjus, galinčius išspręsti nišinius iššūkius, kuriuos teoriškai įmanoma įgyvendinti. Konkretaus algoritmo projektavimas tampa žymiai sudėtingesnis, didėjant problemos sudėtingumui. Tai ypač pasakytina apie daugiakintamienes problemas. Klasikinius algoritmus geriausia naudoti situacijose, kai algoritmas gali greitai išspręsti problemą ir tinka daugumai atvejų.

AI požiūris į problemų sprendimą

Dirbtinio intelekto paradigma bandė spręsti problemas bendrai, tiekdama įvestis ir pageidaujamus išėjimus į sistemą ir leisdama sistemai išmokti, kaip spręsti problemas. Dabartiniai AI metodai veikia klasikiniuose kompiuteriuose per klasikines programavimo technikas. Įdomiausi AI metodai yra neuroniniai tinklai ir stiprinamasis mokymasis.

Dirbtiniai neuroniniai tinklai išnaudoja žmogaus supratimą apie tai, kaip žmogaus protas mokosi ir apibendrina problemas. Stiprinamasis mokymasis naudoja agentus, įvedančius tikslinę būseną ir seriją scenarijų. Mokymosi algoritmas išlaiko pageidaujamus rezultatus ir atsisako nepageidaujamų rezultatų per kelias iteracijas. Stiprinamasis mokymasis yra analogiškas operantiniam sąlygojimui. Agentas mokosi, kaip pasiekti tikslą per daugelį mokymosi iteracijų.

Dirbtinio intelekto sprendimų mokymui reikia arba gerai apibrėžto didelio duomenų rinkinio, paprastai sudaryto naudojant įvairių duomenų sandėlių ar minios šaltinių (crowdsourcing) derinį, arba sistema gali išmokti pasiekti tikslinę būseną atlikdama seriją iteracijų. Pavyzdys yra sistema, žaidžianti žaidimą prieš save, pvz., šachmatais ar Go, kad toliau išmoktų kurti strategijas rezultatams pagerinti. Dirbtiniai tinklai ir stiprinamasis mokymasis abu vykdomi scenarijuose, kuriems jie nebuvo mokyti, ir vertinami panašiai kaip ir kiti mašininio mokymosi metodai. Šie metodai gerai apibendrina ir suteikia efektyvius sprendimus tam tikrai problemų klasei. Dirbtiniu intelektu pagrįsti sprendimai tinka problemoms, kurių negalima lengvai apibrėžti naudojant instrukcijų seką; vietoj to reikia daugiau „intuicijos“ ir vertinimo sprendimų.

Paprastai Dirbtinio Intelekto sistemos yra apmokomos naudojant duomenų rinkinius ir vėliau įvertinamos vertinimo rinkinyje. Kuo daugiau aukštos kokybės mokymo duomenų įvedama į AI sistemą, tuo didesnė tikimybė, kad sistema veiks aukštu lygiu. AI metodų privalumas yra tas, kad jie gali tobulėti laikui bėgant, kai sistema daugiau išmoksta. Taigi sudėtingos problemos gali būti apibendrintos ir išspręstos skaičiavimo sistemų. Tai apima problemas, tradiciškai spręstas žmogaus įsikišimu, nors siauras AI gali būti laikomas papildymu esamam žmogaus indėliui, siekiant geresnių rezultatų.

Dirbtinis intelektas ir mašininis mokymas jau seniai organizacijų buvo vertinami atsargiai, nes tokioms sistemoms trūksta atsekamumo ir nustatomumo, kaip jos reaguos į naudojimo atvejus. Taigi, AI gali veikti retomis aplinkybėmis ir reaguoti nenuspėjamai, kai to mažiausiai tikimasi. Todėl svarbu turėti aiškiai apibrėžtus naudojimo atvejus, kada AI bus naudojamas, kokie klaidų lygiai yra priimtini ir kaip AI sistemų pateikti rezultatai bus peržiūrimi žmogaus, siekiant užtikrinti tikslumą.

Apskritai, prognozuojame, kad pagerėjęs AI sistemų tikslumas, kartu su efektyvumu, pasiektu papildant žmogaus įvestį, sudarys per didelį finansinį paskatinimą, kad daugelis organizacijų negalėtų jo ignoruoti ateinančiais metais; AI sistemos taps visur paplitusios.

Kada pasirinkti Dirbtinį intelektą ir kada pasirinkti klasikinį algoritminio programavimo metodą problemoms spręsti

Nors nėra griežtų ir greitų taisyklių, kada naudoti kurį metodą, kaip bendra taisyklė, problemoms, reikalaujančioms apytikslių sprendimų ir susijusioms su tikslo orientuotu ilgalaikiu planavimu, sudėtingu modelių atpažinimu ir daugelio kintamųjų apdorojimu, labiau tinka AI. Klasikiniai algoritminiai metodai geriau tinka tiksliems ar beveik optimaliems sprendimams, susijusiems su sudėtinga logika ir skaičiavimais.

Teisingo požiūrio pasirinkimas gali duoti reikšmingos naudos jūsų organizacijai, tuo tarpu mažiau optimalaus metodo pasirinkimas gali lemti didelius kapitalo nuostolius, nes technologiniai projektai yra brangūs. Dažnai pasirinkimas naudotis įrodytomis ir demonstruojamomis sistemomis, tokiomis kaip Telemus AI™, gali padėti organizacijoms užtikrinti sėkmę jų dirbtinio intelekto skaitmeninėje transformacijoje.

Susisiekite su mumis šiandien dėl nemokamos konsultacijos, kaip Telemus AI™ gali būti integruotas į jūsų organizaciją.