Что происходит с такими технологиями, как системы, основанные на правилах, которые были в моде до того, как появились системы искусственного интеллекта, такие как машинное обучение? Должны ли все организации перейти на машинное обучение для достижения лучших результатов или они могут продолжать использовать системы, основанные на правилах?
В этой статье давайте обсудим системы на основе правил, машинное обучение или самообучающиеся системы, а также обсудим преимущества, ограничения и потребности бизнеса в их применении.
Что такое система, основанная на правилах?
Когда вы программируете систему для принятия решений на основе определенного набора правил, они называются системами, основанными на правилах. Системы, основанные на правилах, создаются экспертами-людьми с глубокими знаниями предметной области, чтобы гарантировать наилучшие возможные результаты. Следовательно, это системы, управляемые экспертами.
Системы, основанные на правилах, опираются на набор фактов и применяют правила «если-то» к фактам для принятия решений. Например, когда банк получает заявку на получение кредита от кого-либо, банк может использовать простое правило, такое как «Если возраст заявителя меньше ‹= 50 лет, а его доход составляет ›= 60000 долларов США в год», банк может одобрить кредит. Конечно, это простое правило, и системы, основанные на правилах, могут создавать гораздо более сложные правила, чтобы квалифицировать заявителя и решать, утвердить или отклонить запрос.
Как упоминалось выше, эти правила создаются людьми, которые являются экспертами в предметной области, и бизнес-знания, которые они привносят в создание этих правил, чрезвычайно важны для системы, чтобы принимать входные данные и предоставлять соответствующие выходные данные.
Что такое система машинного обучения?
Системы машинного обучения исследуют большие объемы прошлых данных и принимают решения на основе извлечения уроков из этих данных. Например, в приведенном выше примере заявки на получение кредита система машинного обучения может увидеть, что кандидат на получение кредита, возраст которого ‹=50 лет и доход ›=60000 долларов США, может быть одобрен на основе огромного количества данных о кандидатах из прошлого.
Здесь важно отметить, что никому не нужно сообщать приведенную выше информацию системе, основанной на машинном обучении, поскольку программное обеспечение может сделать этот логический вывод самостоятельно, просто анализируя данные и ища корреляции.
Короче говоря, система машинного обучения учится сама по себе на основе шаблонов в данных, которые ей передаются, в то время как системы, основанные на правилах, используют жесткие правила «если-иначе», которые необходимо создавать вручную.
Системы, основанные на правилах: стоит ли их игнорировать
Основываясь на том, что мы видели до сих пор, похоже, что машинное обучение — это путь, потому что оно не нуждается в каком-либо человеческом взаимодействии и учится на «прошлых данных» для принятия решений.
Но откуда системы машинного обучения могут получить эти «прошлые данные», которые имеют решающее значение для поведения модели? Существующая система, основанная на правилах, может обеспечить то же самое. Данные системы, основанной на правилах, могут пригодиться для повышения точности алгоритма машинного обучения. Точность 50 % (что соответствует подбрасыванию монеты) — это то, чего можно ожидать от модели машинного обучения, использующей данные механизма правил.
Однако системы, основанные на правилах, подвержены человеческим ошибкам, а интеграция правил может занять много времени и средств. Сложные и слишком многочисленные правила также способствуют снижению производительности. По мере ужесточения правил велика вероятность потери хороших клиентов.
Сказав это, системы, основанные на правилах, могут выполнять решения намного быстрее при надлежащем обучении. Они надежны. Системы, основанные на правилах, могут быть полезны, когда требуются точные ответы, а количество правил и вариантов относительно невелико. Вывод системы, основанной на правилах, легко отладить человеку.
Машинное обучение — путь вперед?
Ожидание, связанное с использованием машинного обучения, заключается в том, что это системы искусственного интеллекта, которые обеспечивают более высокий уровень точности по сравнению с людьми. Это представление приводит к «машинам, заменяющим людей», «уменьшению человеческих усилий», «экономии времени» и так далее. Но создание системы машинного обучения — это не шутки, и неправильно построенная система машинного обучения может дорого обойтись организации по всем фронтам, включая затраты, усилия и использование.
Хотя системы машинного обучения обеспечивают значительные преимущества по сравнению с возможностями системы, основанной на правилах, было бы ошибкой рассматривать машинное обучение как панацею от всех ваших проблем.
Модели машинного обучения требуют времени, чтобы понять и извлечь уроки из данных. Модель машинного обучения хороша настолько, насколько хороши данные, которые она поглощает (Читайте наш блог об искусственном интеллекте и качестве данных), и могут пройти месяцы, прежде чем система будет готова заменить правила. Нет смысла ожидать сверхточности от модели машинного обучения в одночасье или жаловаться на то, что она неэффективна по сравнению с вашим текущим механизмом, основанным на правилах.
Заключение
Хороший подход при переходе от систем, основанных на правилах, к машинному обучению — запускать правила параллельно с машинным обучением. Это помогает сравнивать результаты с течением времени и решать, когда заменить машинное обучение вашей системой, основанной на правилах.
Вы также можете рассматривать рабочие правила и системы машинного обучения в тандеме, что будет более выгодно для организации, чем полная замена правил. Машинное обучение предназначено не для замены людей, а для расширения их возможностей. Результаты правильно построенной модели машинного обучения могут имитировать человеческие способности, полностью дополняя человеческие усилия и помогая повысить их производительность.
В то время как сила машинного обучения заключается в количестве данных, которые он может анализировать и отслеживать в режиме реального времени, сила человека заключается в обеспечении контекста и интуиции при анализе выбросов и других крайних сценариев.
Важно учитывать опыт предметной области, который человек привносит в создание правил, которые делают системы, основанные на правилах, успешными.
Ссылки:
https://ieeexplore.ieee.org/document/8270278
https://blog.sift.com/2018/rules-vs-machine-learning-need-win/
https://www.datasciencecentral.com/profiles/blogs/explaining-data-science-to-a-non-data-scientist
О Зучи
Zuci революционизирует способ разработки программных платформ с помощью запатентованных моделей искусственного интеллекта и глубокого обучения. Узнайте больше о Zuci на www.zucisystems.com
об авторе
Васудеван Сваминатан — президент и главный консультант Zuci. Васу является доверенным советником и деловым партнером клиентов, способным понять их видение программного обеспечения. Загляните к нему в Васудеван Сваминатан
