Les principales différences entre l'IA basée sur des règles et l'apprentissage automatique

Les entreprises de tous les secteurs explorent et mettent en œuvre l'intelligence artificielle (AI) des projets, des mégadonnées à la robotique, pour automatiser les processus commerciaux, améliorer l'expérience client et innover dans le développement de produits. Selon McKinsey "l'adoption de l'IA promet des avantages considérables aux entreprises et aux économies grâce à sa contribution à la productivité et à la croissance". Mais cette promesse s'accompagne de défis.

Les ordinateurs et les machines ne viennent pas dans ce monde avec une connaissance inhérente ou une compréhension du fonctionnement des choses. Comme les humains, ils doivent apprendre qu'un feu rouge signifie s'arrêter et que le vert signifie disparaître. Alors, comment ces machines acquièrent-elles réellement l'intelligence dont elles ont besoin pour effectuer des tâches telles que conduire une voiture ou diagnostiquer une maladie?

Données ou effondrement

Il existe plusieurs façons de réaliser l'IA, et il existe pour elles toutes des données. Sans données de qualité l'intelligence artificielle est un rêve. Il existe deux façons de manipuler les données, soit par le biais de règles ou de l'apprentissage automatique, pour obtenir l'IA, et certaines des meilleures pratiques pour vous aider à choisir entre les deux méthodes.

Systèmes basés sur des règles

Bien avant l'IA et l'apprentissage automatique ( ML) est devenu des termes courants en dehors du domaine de la haute technologie, les développeurs encodaient les connaissances humaines dans des systèmes informatiques en tant que règles qui sont stockées dans une base de connaissances . Ces règles définissent tous les aspects d'une tâche, généralement sous la forme d'instructions «Si» (« si A, alors faites B, sinon si X, puis faites Y »).

Alors que le nombre de les règles qui doivent être écrites dépendent du nombre d'actions que vous souhaitez qu'un système gère (par exemple, 20 actions signifie écrire et coder manuellement au moins 20 règles), les systèmes basés sur des règles sont généralement moins coûteux, plus rentables et moins risqué car ces règles ne changeront pas ou ne seront pas mises à jour par elles-mêmes. Cependant, les règles peuvent limiter les capacités de l'IA avec une intelligence rigide qui ne peut faire que ce pour quoi elles ont été écrites.

Systèmes d'apprentissage automatique

Alors qu'un système basé sur des règles pourrait être considéré comme ayant une intelligence «fixe», en revanche , un système d'apprentissage automatique est adaptatif et tente de simuler l'intelligence humaine. Il y a encore une couche de règles sous-jacentes, mais au lieu qu'un humain écrive un ensemble fixe, la machine a la capacité d'apprendre de nouvelles règles par elle-même et de rejeter celles qui ne fonctionnent plus.

En pratique, il y a plusieurs façons dont une machine peut apprendre, mais une formation supervisée – lorsque la machine reçoit des données pour s'entraîner – est généralement la première étape d'un programme d'apprentissage automatique. Finalement, la machine sera en mesure d'interpréter, de classer et d'effectuer d'autres tâches avec des données sans étiquette ou des informations inconnues par elle-même.

Par où commencer avec la stratégie d'IA d'une organisation:

Les avantages escomptés pour l'IA sont élevés, donc les décisions qu'une entreprise prend au début de son exécution peuvent être essentielles au succès. Foundational aligne vos choix technologiques sur les objectifs commerciaux sous-jacents que l'IA a été définie pour atteindre. Quels problèmes essayez-vous de résoudre ou quels défis essayez-vous de relever?

La décision de mettre en œuvre un système basé sur des règles ou d'apprentissage automatique aura un impact à long terme sur la façon dont le programme d'IA d'une entreprise évolue et évolue. Voici quelques bonnes pratiques à prendre en compte lors de l'évaluation de l'approche qui convient à votre organisation:

Lorsque le choix d'une approche basée sur des règles est logique:

• Résultats fixes : Lorsqu'il existe un petit nombre ou un nombre fixe des résultats. Par exemple, il n'y a que deux états pour lesquels un bouton «Ajouter au panier» peut être, pressé ou non. Bien qu'il soit possible d'utiliser l'apprentissage automatique pour détecter si un utilisateur a appuyé sur le bouton, cela n'aurait aucun sens d'appliquer ce type de méthode.
• Risque d'erreur: La pénalité d'erreur est trop élevée pour risquer les faux positifs et par conséquent, seules les règles, qui seront exactes à 100%, devraient être mises en œuvre.
• Ne pas planifier pour ML: Si ceux qui maintiennent le système n'ont pas de connaissances en apprentissage automatique et que l'entreprise ne le fait pas

Quand appliquer le machine learning:

• Les règles simples ne s'appliquent pas: Lorsqu'il n'existe aucun moyen facilement définissable de résoudre une tâche à l'aide de règles simples [19659025] Vitesse de changement: Lorsque les situations, les scénarios et les données changent plus rapidement que la capacité d'écrire continuellement de nouvelles règles.
• Traitement du langage naturel: Tâches qui nécessitent une compréhension de langage, ou traitement du langage naturel . Comme il existe un nombre infini de façons de dire quelque chose, il est irréaliste, voire carrément impossible, d'écrire des règles pour un langage normal. L'intelligence innée et adaptative de l'apprentissage automatique est optimisée pour l'échelle.

Les promesses de l'IA sont réelles, mais pour de nombreuses organisations, le défi est de savoir par où commencer. Si vous appartenez à cette catégorie, commencez par déterminer si une méthode basée sur des règles ou une méthode ML fonctionnera le mieux pour votre organisation.

Cet article a été initialement publié par Elana Krasner sur [19659039] TechTalks une publication qui examine les tendances technologiques, comment elles affectent notre façon de vivre et de faire des affaires, et les problèmes qu'elles résolvent. Mais nous discutons également du mauvais côté de la technologie, des implications plus sombres de la nouvelle technologie et de ce que nous devons rechercher. Vous pouvez lire l'article original ici .

Publié le 13 juin 2020-13: 00 UTC