Az autonómintelligencia-technológiák használatának értékelése

  • 3 perc

A Machine Learning (ML) és a Deep Learning (DL) elérte az emberi paritás szintjét, és olyan jól teljesít, mint az emberek a feladatban, számos alkalmazás esetében, beleértve az objektumfelismerést, a beszédfelismerést, az olvasási megértést, a gépi fordítást és az általános nyelvfeldolgozást. A beszédszintézishez közel jutottak az emberi paritáshoz.

Az ML- és DL-algoritmusok azonban szenvednek az adatok korlátaitól. Az eredmények csak akkor lesznek olyan jók, mint a bemeneti adatok minősége, és a torzítás felerősödik. Fekete dobozok is, amelyek nem vagy csak korlátozott magyarázóképességűek. Ezért nem megbízhatók, különösen az ipari környezetben. Olyan hibák is vannak bennük, mint a hamis pozitívok és a hamis negatívak, amelyek nem emberi jellegű hibák, és váratlanok (minden következtetés hiba lehet).

A Mély megerősítéses tanulás (DRL) algoritmusok sok szuperképességgel rendelkeznek. A változó körülményekre reagálva módosíthatják a viselkedést. Olyan összetett és nemlineáris kapcsolatokat ismerhetnek meg, amelyek megkövetelik a változók és a környezeti állapot átvitelei közötti homályos és nemlineáris kapcsolatok közötti döntéseket. Összetett észlelésen dolgoznak. Közvetlenül nem mért környezeti változásokra reagálnak. Végül és ami a legfontosabb, megtanulják a stratégiát.

A DRL-ek azonban korlátozásokkal is rendelkeznek. Nem rendelkeznek korábbi ismeretekkel a feladatról, ami azt jelenti, hogy sok próba- és hiba iteráción keresztül kell mindent megtanulniuk. Ez a folyamat nem hatékony, ha nagy állapottérben kell navigálniuk. Szerencsére a keresési terület csökkentése érdekében tartományismeretek bevezetésével csökkenthető a DRL-ek összetettsége.

Az alábbi táblázatban összefoglaljuk az autonóm intelligencia két fő technológiájának, az ML-nek és a DRL-nek az erősségeit és korlátait.

Mi ez? Mikor érdemes használni? Mik a korlátozások?
- Machine Learning (ML)
- Neurális hálózatok (NN)
- Deep Machine Learning (DML)		 Összekapcsolt csomópontok hálózata, amelyek az adatokból tanulnak a minták felismeréséhez vagy a viselkedés replikálásához. - Ha olyan előrelátásra van szüksége, mint a számítógépes látás, a természetes nyelvi feldolgozás, a hang stb.
-Osztályozás
-Jóslás		 - Nehéz betanítása
- Korlátozott / nem intuitív magyarázhatóság (fekete doboz)
- Könnyen feltörhető
- Minden következtetés lehet hamis pozitív vagy negatív.
- Alacsony megbízhatóság, nem determinisztikus
- Nem végrehajtható, nehéz integrálni egy ipari folyamatba.
- Ha olyan előrelátásra van szüksége, mint a számítógépes látás, a természetes nyelvi feldolgozás, a hang stb.
-Osztályozás
- Alacsony elfogadóképesség
- Megerősítési tanulás (RL)
- Mély megerősítéses tanulás (DRL)		 Egy ml, hogy a gyakorlatok szimuláció / valós világban. - Nehéz állapotfelmérés, nemlineáris, dinamikus környezetek.
- Ha olyan előrelátásra van szüksége, mint a számítógépes látás, a természetes nyelvi feldolgozás, a hang stb.
-Osztályozás
- Amikor emberi szinten kell megtanulnunk a stratégiát.		 - Nehéz edzeni.
- Korlátozott / nem intuitív magyarázhatóság (fekete doboz).
- Nehéz integrálni egy ipari folyamatba.
- Ha olyan előrelátásra van szüksége, mint a számítógépes látás, a természetes nyelvi feldolgozás, a hang stb.
-Osztályozás
- Nincs korábbi ismerete a feladatnak.