Алгоритм — это своего рода контейнер. Он похож на коробку для хранения метода решения задач определенного вида. При обработке алгоритм проводит данные через серию четко определенных состояний. Состояния не обязаны быть определены, тем не менее они определяются. Задача заключается в том, чтобы получить результат, решающий задачу. В некоторых случаях алгоритм получает входные данные, помогающие определить вывод на которм будет сосредоточен искусственный интеллект.
Бесплатных завтраков не бывает
Так в математическом фольклоре обычно упоминают теорему Дэвида Вулперта и Уильяма Макриди, утверждающую, что два любых алгоритма оптимизации эквивалентны, если их эффективность остается средней для всех возможных задач. По существу, независимо от используемого алгоритма оптимизации, не будет никакого преимущества от его применения для всех возможных задач. Чтобы получить преимущество, алгоритм следует использовать для тех задач, для которых он подходит лучше всего.
Алгоритмы должны выражать переходы между состояниями, используя четкий и формальный язык, понятный компьютеру. При обработке данных и решении задачи алгоритм определяет, детализирует и выполняет функцию. Функция является всегда специфической для вида задачи, решаемой алгоритмом.
У каждой из этих пяти научных школ есть своя методика и стратегия решения задач, на основании которых созданы уникальные алгоритмы. Объединение этих алгоритмов должно в конечном счете привести к созданию верховного алгоритма, который будет в состоянии решить любую задачу. В следующих разделах представлен краткий обзор пяти основных типов алгоритмов.
Символьное рассуждение
Одна из первых научных школ, символисты, полагала, что знание может быть получено при работе с символами и выводе правил из них. При формировании достаточно сложных систем правил можно достичь логической дедукции результата, который вы хотели узнать. Таким образом, символисты сформировали свои алгоритмы так, чтобы выводить правила из данных. При символьном рассуждении дедукция расширяет область человеческого знания, в то время как индукция повышает уровень человеческого знания. Индукция обычно открывает новые области для исследования, а дедукция исследует эти области1.
Взаимосвязи, моделируемые нейронами мозга
Коннекционисты, вероятно, являются самой известной из пяти научных школ. Эта научная школа стремится воспроизвести функции мозга, используя кремний вместо нейронов. По существу, каждый из нейронов решает одну малую часть задачи, а используя множество нейронов параллельно, можно решить задачу в целом.
Используя обратное распространение ошибки, можно попытаться определить условия, изменяя весовые коэффициенты и пристрастия, при которых ошибки удаляются из сетей, построенных подобно сети человеческих нейронов. Цель заключается в том, чтобы продолжать изменять весовые коэффициенты и пристрастия до тех пор, пока фактический вывод не станет соответствовать задаче. В настоящее время искусственный нейрон вырабатывает и передает свое решение следующему нейрону в серии. Решение, созданное только одним нейроном, является лишь частью целого решения. Каждый нейрон передает информацию следующему нейрону в серии, пока группа нейронов не сформирует окончательный вывод. Такой метод доказал свою высочайшую эффективность в решении задач, подобных решаемым человеком, таких как распознавание объектов, письменности, разговорной речи и общения с людьми.
Эволюционные алгоритмы проверки вариантов
Для решения задач эволюционисты полагаются на принципы развития. Другими словами, эта стратегия основана на выживании сильнейшего. Функция выживания определяет жизнеспособность каждой функции в решении задачи. Используя древовидную структуру, метод решения ищет наилучшее решение на основании функции вывода. Для построения функции следующего уровня выбирается победитель текущего уровня развития. Идея в том, что каждый следующий уровень будет ближе к решению задачи, и если решение еще не полное, то просто необходим другой уровень. Для решения проблемы эта научная школа полностью полагается на рекурсии и поддерживающие ее языки. Интересным результатом этой стратегии стали развивающиеся алгоритмы: одно поколение алгоритмов фактически создает следующее поколение.
Байесовский вывод
Группа ученых, байесианцы, полагает, что ключевым аспектом при наблюдении и обучении является неопределенность и что, скорее всего, имеет место непрерывная модификация предыдущих представлений, которые становились все более точными. Это восприятие вынудило байесианцев применять статистические методы, в частности — следствия теоремы Байеса, позволяющей вычислять вероятности при определенных условиях.
Системы, учащиеся на аналогиях
Для распознавания шаблонов в данных аналогисты используют многоядерные машины. Распознав шаблон одного набора входных данных и сравнив его с шаблоном известного вывода, можно создать решение задачи. Цель заключается в том, чтобы, используя сходство, определить наилучшее решение задачи. Это тот вид рассуждения, при котором полагают, что если в прошлом данное конкретное решение сработало при неких обстоятельствах, то при подобных же стечениях обстоятельств оно также должно сработать. Одним из наиболее известных результатов этой научной школы являются системы рекомендаций. Например, когда вы покупаете товар на Amazon, система рекомендаций предлагает другой связанный с этим товар, которые вы также могли бы захотеть купить.
Окончательная цель машинного обучения состоит в том, чтобы объединить технологии и стратегии этих пяти научных школ и выработать единый алгоритм, способный что-нибудь изучить. Конечно, до достижения этой цели еще далеко. Но несмотря на это такие ученые, как Педро Домингос, работают над данной задачей уже сейчас.