Artificial Intelligence vs Classical Algorithmic Programming

Tungo sa Artificial Intelligence mula sa Classical Algorithmic Programming

Ang mga pagsulong sa artificial intelligence ay nagbigay-daan upang masolusyonan nang mabilis ang mga komplikadong problema sa komputasyon na dati nang mahirap, hindi malulutas, o mabigat na kombinatoryal. Kabilang sa mga problemang ito ang pagkilala sa mukha, pagtuklas ng bagay, pagpaplano ng ruta, at mga lubhang personalisadong online na recommender system.

Ang hamon para sa mga organisasyon na nag-aabante patungo sa hinaharap ay para sa mga strategic decision-maker na pumili sa pagitan ng mga tradisyonal na classical na diskarte at mga diskarte sa artificial intelligence upang lumutas ng mga komplikadong computational na problema. Alinman sa pamamaraan ay may mga natatanging hamon sa paghahatid ng isang matibay na sistema sa iba't ibang dimensyon ng katumpakan, gastos, kahirapan sa pagpapatupad, at maintainability.

Ang Classical Algorithmic Programming Approach sa Paglulutas ng mga Problema

Ang classical programming paradigm ay kinabibilangan ng paglulutas ng mga problema sa pamamagitan ng mga prescriptive algorithm at paggamit ng isang malinaw na tinukoy na pagkakasunod-sunod ng mga tagubilin. Ang mga input ay tinukoy at pinaghihigpitan, na bumubuo ng mga algorithm upang iproseso ang mga input sa pamamagitan ng mga tinukoy na programming paradigm (Procedural, Object-Oriented, Functional, at Logical) upang makabuo ng mga output.

Ang pagtuklas ng mga algorithm upang lutasin ang mga temporally at spatially efficient na problema ay kilalang mapaghamon. Sa computational complexity theory, ang mga problema ay maaaring P (Polynomial), NP (Non-deterministic Polynomial), NP-Complete o NP-Hard. Ang mga polynomial na problema ay mabilis na malulutas at maberipika, habang ang mga non-polynomial na problema ay hindi. Ang mga NP na problema ay mahirap lutasin sa pamamagitan ng classical algorithmic approaches.

Isang halimbawa ng P problem ay ang paghahanap ng pinakamaikling daan sa pagitan ng dalawang punto, habang isang halimbawa ng NP Problem ay ang travelling salesman problem kung saan kapag binigyan ng isang serye ng mga lokasyon, ano ang pinaka-optimal na daan upang bisitahin ang lahat ng site na naglalakbay sa pinakamaikling posibleng distansya. Nangyayari lamang na marami sa mga problemang kasalukuyang kinakailangang lutasin nang computationally ay napapabilang sa kategoryang NP. Sa karamihan ng mga kaso, para sa mga praktikal na layunin, ang isang approximate solution ay madalas na sapat. Sa pagharap sa pang-araw-araw na buhay, ang mga tao ay laging nakabubuo ng mga approximate solution, hal. navigation.

Mayroong mga hamon sa implementasyon sa paglulutas ng mga problema sa ilalim ng isang classical algorithmic paradigm sa isang episyenteng paraan. Ang algorithmic complexity ay isang sangay ng computer science na tumatalakay sa kung gaano kaepisyente tumakbo ang mga algorithm sa temporal (time complexity) at spatial domains (space complexity).

Bagama't maraming iba't ibang paraan upang ipatupad ang mga algorithm, isang halata ngunit posibleng hindi epektibong paraan upang ipatupad ang isang algorithm ay madalas na tinutukoy bilang isang “naive” algorithm. Karamihan sa mga epektibong algorithm ay hindi madaling matuklasan, at ang mga Computer Scientist ay nagtatrabaho na sa loob ng maraming taon upang hanapin ang pinakamahuhusay na algorithm upang lutasin ang mga klase ng problema. Ang mga algorithm sa mga production system ay ipinatutupad sa mga temporally at spatially epektibong paraan. Ang pinakamalalaking kumpanya ng software ay nagsisiguro ng pinakamataas na algorithmic na pamantayan sa pamamagitan ng peer-programming, na katulad ng peer-review. Nangangailangan ng maraming taon ng pagsasanay at mataas na antas ng kasanayan upang ipatupad ang mga algorithm nang mahusay.

Sa praktikal na kahulugan, bagama't umunlad ang mga teknik sa pagprograma at nag-iba-iba sa kasikatan ang mga wika sa pagprograma (hal. C, C++, Java, JavaScript, PHP, Python), nanatiling pareho ang mga pangunahing prinsipyo mula noong isulat ng Bell Labs, noong 1970s, ang mga unang module ng C. May ilang praktikal na paraan upang mapatrabaho sa produksyon ang mga teoretikal na mahihirap na problema, tulad ng paggamit ng mga distributed system. Ang mga advanced na diskarte ay may mas mataas na gastos at nasa labas ng kakayahan ng lahat maliban sa mga pinaka-technologically progressive na organisasyon.

Dahil sa pagiging kumplikado ng mga klasikal na diskarte sa algorithmic programming, matagal nang nahihirapan ang mga organisasyon na bumuo ng mga epektibong koponan upang gumawa ng mga ganitong sistema sa loob. Higit pa rito, marami rin ang nahirapan sa paghahanap ng mga panlabas na provider upang lutasin ang mga niche na hamon na teoretikal na posibleng ipatupad. Ang pagdidisenyo ng isang partikular na algorithm ay nagiging mas kumplikado nang malaki habang tumataas ang pagiging kumplikado ng problema. Lalo itong totoo para sa mga multivariate na problema. Pinakamainam na gamitin ang mga klasikal na diskarte sa algorithm para sa mga sitwasyon kung saan mabilis na malulutas ng isang algorithm ang isang problema at gumagana para sa karamihan ng mga kaso.

Ang Diskarte ng AI sa Paglulutas ng mga Problema

Sinubukan ng paradigm ng Artificial Intelligence na lumutas ng mga problema nang pangkalahatan sa pamamagitan ng pagpapakain ng mga input at ninanais na output sa isang sistema at pagpapahintulot sa sistema na matutong lumutas ng mga problema. Ang mga kasalukuyang diskarte sa AI ay tumatakbo sa mga classical computer sa pamamagitan ng mga classical programming technique. Ang pinakanakakaengganyong mga pamamaraan ng AI ay ang mga neural network at reinforcement learning.

Pinagsasamantala ng mga artificial neural network ang pag-unawa ng tao kung paano natututo at naglalahat ng problema ang isip ng tao. Gumagamit ang reinforcement learning ng mga agent na nagpapakita ng isang goal state at isang serye ng mga senaryo. Pinapanatili ng learning algorithm ang mga kanais-nais na resulta at pinakakawalan ang mga di-kanais-nais na resulta sa loob ng maraming iteration. Ang reinforcement learning ay kahalintulad ng operant conditioning. Natututo ang agent kung paano makakamit ang layunin sa loob ng maraming training iteration.

Isang kinakailangan para sa pag-train ng mga solusyon sa artificial intelligence ay alinman sa isang malaking dataset na malinaw na natukoy, karaniwang pinagsasama gamit ang kumbinasyon ng iba't ibang data warehouse o crowdsourcing, o ang isang sistema ay maaaring matutong makamit ang isang goal state sa pamamagitan ng pagpapatakbo sa isang serye ng mga iteration. Isang halimbawa nito ay isang sistema na naglalaro ng labo laban sa sarili nito, tulad ng Chess o Go, upang higit pang matuto kung paano bumuo ng mga estratehiya upang mapabuti ang mga kinalabasan. Ang artificial network at reinforcement learning ay parehong pinapatakbo sa mga senaryo na hindi ito na-train at sinusuri na katulad ng iba pang mga diskarte sa machine learning. Ang mga diskarteng ito ay nagge-generalise nang maayos at nagbibigay ng mga episyenteng solusyon para sa isang klase ng mga problema. Ang mga solusyong nakabatay sa Artificial Intelligence ay angkop sa mga problemang hindi madaling matukoy gamit ang isang pagkakasunod-sunod ng mga tagubilin; sa halilip ay nangangailangan ng higit na "intuition" at mga paghatol sa halaga.

Karaniwan, ang mga sistema ng Artificial Intelligence ay tinuturuan gamit ang mga dataset at sa bandang huli ay sinusuri sa isang evaluation set. Kapag mas maraming mataas na kalidad na training data ang ipinasok sa isang sistema ng AI, mas mataas ang posibilidad ng sistema na magsagawa sa mataas na pamantayan. Ang benepisyo ng mga diskarte ng AI ay patuloy itong makapagpapabuti sa paglipas ng panahon habang natututo pa ang sistema. Kaya't, ang mga komplikadong problema ay maaaring i-generalize at lutasin ng mga computing system. Kasama rito ang mga problemang tradisyonal na nilulutas ng tao, bagama't ang narrow AI ay maaaring tingnan bilang pandagdag sa umiiral na tao upang matiyak ang mas magandang kinalabasan.

Ang Artificial intelligence at Machine Learning ay matagal nang tinitingnan nang may pag-iingat ng mga organisasyon dahil sa kakulangan ng mga naturang system ng traceability at determinability kung paano sila tutugon sa mga use case. Kaya, ang AI ay maaaring kumilos sa mga bihirang kalagayan at tumugon nang hindi inaasahan kapag least expected. Iyon ang dahilan kung bakit mahalagang magkaroon ng malinaw na tinukoy na mga use case kung kailan gagamitin ang AI, kung anong antas ng error ang tinatanggap, at kung paano ang mga output na nagmumula sa mga AI system ay peer-reviewed ng input ng tao upang matiyak ang katumpakan.

Sa pangkalahatan, hinuhulaan namin na ang pinahusay na katumpakan na idudulot ng mga AI system, kasama ang mga kapakinabangang nakuha sa pagdaragdag sa input ng tao, ay magkakaroon ng napakalaking pinansyal na pampasigla para sa maraming organisasyon na hindi nilalampasan sa mga darating na taon, at ang mga AI system ay magiging laganap.

Kailan Pipiliin ang Artificial Intelligence at Kailan Pipiliin ang Klasikong Algorithmic Programming Approach upang Lutasin ang mga Problema

Bagama't walang mahigpit at mabilis na panuntunan kung kailan gagamitin ang alinmang diskarte, bilang pangkalahatang tuntunin, ang mga problemang nangangailangan ng humigit-kumulang na mga solusyon at kinabibilangan ng layunin-oriented na pangmatagalang pagpaplano, kumplikadong pagkilala sa pattern at pagproseso ng napakaraming variable ay mas angkop para sa AI. Ang mga klasikong algorithmic na diskarte ay mas angkop para sa eksakto o malapit sa pinakamainam na mga solusyon na kinabibilangan ng mabigat na lohika at komputasyon.

Ang pagpili ng tamang diskarte ay maaaring magbigay ng mahahalagang benepisyo para sa iyong organisasyon habang ang pagpili ng isang less optimal na pamamaraan ay maaaring humantong sa malaking pagkawala ng puhunan dahil ang mga proyektong teknolohiya ay mahal. Kadalasan, ang pagpunta sa mga nasubukan at nadadapat na sistema tulad ng Telemus AI™ ay makakatulong sa mga organisasyon na matiyak ang tagumpay sa kanilang Artificial Intelligence digital transformation.

Makipag-ugnayan sa amin ngayon para sa isang libreng konsultasyon kung paano maisasama ang Telemus AI™ sa inyong organisasyon.