Arkitektura-konparaketa honek Arauetan Oinarritutako Agenteen ingeniaritza determinista eta Ikaskuntzan Oinarritutako Agenteen datuetan oinarritutako izaera moldagarri kontrajartzen ditu, haien mundu errealeko aplikagarritasuna, eskalatze-mugak eta ziurgabetasunpean duten errendimendua ebaluatuz.
Emaitza aurreikusgarri eta deterministak emateko logika esplizitu eta gizakiek kodetutako logika eta adierazpen baldintzatuek gobernatzen dituzten sistemak.
Datuen esposizioaren bidez ereduak modu independentean aurkitzen, politikak optimizatzen eta ekintzak hobetzen dituzten software entitate moldagarriak.
| Ezaugarria | Arauetan Oinarritutako Agenteak | Ikaskuntzan Oinarritutako Agenteak |
|---|---|---|
| Oinarrizko mekanismoa | Gizakiek idatzitako adituen arauak | Datuen optimizazio algoritmikoa |
| Aurreikusgarritasuna | %100 determinista | Probabilista eta estatistikoa |
| Datuen menpekotasuna | Ez da beharrezkoa | Datu-multzo handiak edo masiboak behar dira |
| Ertzeko kasuetan portaera | Sistemaren hutsegitea edo lehenetsitako errorea | Gutxi gorabeherako asmatzea edo orokortzea |
| Azalpengarritasuna | Guztiz gardena (logika-zuhaitz argiak) | Opakua (pisu-matrize konplexuak) |
| Eskalatze Konplexutasuna | Arauak hazten diren heinean kudeaezina bihurtzen da | Konputazioa eskalatzen den heinean, errendimendua hobetzen du |
| Garapen-zabor-lepoa | Domeinuko adituak elkarrizketatzen emandako denbora | Datuak biltzen eta garbitzen emandako denbora |
Arauetan Oinarritutako Agenteek goitik beherako diseinu batean oinarritzen dira, non giza ingeniariek garun gisa jarduten duten, eskuz mapatuz egoera onargarri guztiak eta dagokion ekintza. Horren ondorioz, egitura zurrun eta hauskor bat sortzen da, muga estuetan ezin hobeto funtzionatzen duena, baina ezin dena modu independentean hedatu. Ikaskuntzan Oinarritutako Agenteek paradigma hau alderantzikatzen dute behetik gorako ikuspegia erabiliz, funtzio objektibo edo sari-seinaleak erabiliz datu-espazioetan nabigatzeko eta arrakasta lortzeko barne-estrategiak formulatzeko.
Gidatze autonomoan edo hizkuntza naturalaren prozesamenduan bezalako ingurune kaotikoetan sartzen denean, arauetan oinarritutako sistema batek eztanda konbinatorioa jasaten du, errealitatea estaltzeko kode lerro nahikoa idaztea ezinezkoa baita. Ikaskuntzan oinarritutako esparruak bikain nabarmentzen dira hemen, muga zurrunen ordez korrelazio estatistikoak bilatzen dituztelako. Dotoreki leuntzen dituzte falta diren aldagaiak, aurrera egiteko biderik seguruena edo logikoena iragarriz, eredu historikoetan oinarrituta.
Arauetan oinarritutako arkitektura masibo bat mantentzea software ingeniaritzako amesgaizto bihurtzen da azkenean, arau berri bat gehitzeak nahi gabe dauden bost arauen aurka egin edo hautsi baitezake. Alderantziz, ikaskuntzan oinarritutako eredu bat eskalatzeak datu anitzagoak ematea eta parametroen edukiera handitzea dakar. Horrek eskuzko kodeketa-oztopoak arintzen dituen arren, zor tekniko mota desberdin bat sortzen du, datu-hodien kudeaketan eta ereduen desbideratzearen monitorizazioan oinarrituta.
Sektore oso arautuetan, hala nola diagnostiko medikoetan edo maileguen onarpenetan, arauetan oinarritutako sistemek oso baliotsuak izaten jarraitzen dute, haien exekuzio-bideak argi eta garbi inprimatu eta legezko betetzea egiaztatu baitaitezke. Ikaskuntzan oinarritutako ereduek gardentasun absolutuarekin arazoak izaten dituzte, askotan bigarren mailako IA teknikak behar baitituzte iragarpen jakin bat zergatik egin den gutxi gorabehera jakiteko. Errendimendu gordinaren eta auditoria bidezko erantzukizunaren arteko oreka honek gaur egungo inplementazio-aukera asko definitzen ditu.
Arauetan oinarritutako sistemak zabor zaharkitua dira, eta ez dute lekurik gaur egungo IA ingeniaritzan.
Segurtasun-azpiegitura kritikoen, finantza-transakzioen betetzearen eta fakturazio automatizatuko softwarearen oinarri izaten jarraitzen dute. Enpresa moderno askok nahita erabiltzen dituzte makina-ikaskuntzako eredu aldakorrak inguratzeko babes-hesi gisa, irteera arriskutsuak edo irregularrak saihesteko.
Ikaskuntzan oinarritutako agenteek automatikoki ulertzen dute beren zereginen azpiko esanahia.
Agente hauek ez dute benetako ulermenik; horren ordez, korrelazio estatistiko konplexuak eta dimentsio handiko geometria optimizatzen dituzte. Sarrerako datuak korrelazio ezkutu horiek hausten dituen moduan aldatzen badira, agentearen errendimendua azkar eroriko da.
Arauetan oinarritutako agente bat eraikitzea beti da azkarragoa, ez duelako entrenamendurik behar.
Hedapena berehalakoa den arren, adituak elkarrizketatzeko, muturreko kasuak aurkitzeko eta logika-zuhaitz akatsik gabekoak eraikitzeko eskuzko faseak hilabeteak iraun ditzake ingeniaritza intentsiboan. Ikaskuntza-eredu batek askotan eskuzko itzulpen-fase hau erabat saihestu dezake kalitate handiko datu-multzoak eskuragarri badaude.
Ikaskuntzan oinarritutako eredu bat % 100eko zehatza izango da azkenean, datu nahikorik badute.
Eredu estatistikoak funtsean probabilistak dira eta beti dute errore-marjina bat. Datuen aniztasuna handitzeak gutxitzen du marjina hori, baina zaratak, laginketa-alborapenak eta banaketa-aldaketek esan nahi dute ezin dutela inoiz kode deterministak ematen duen ziurtasun absolutua bermatu.
Aukeratu Arauetan Oinarritutako Agente bat erroreak onartezinak diren, logika argia den eta legeak auditoria osoa eskatzen duen lan-fluxu oso egituratuak diseinatzerakoan. Aukeratu Ikaskuntzan Oinarritutako Agente bat nahasiak, aurreikusezinak edo egituratu gabeko datu-eremuekin ari zarenean, non ereduak oso sotilak diren giza programatzaileek modu eraginkorrean kodetzeko.
Edukien argitalpenetan A/B probak aldaerak publiko segmentu desberdinetara zabaltzea eta errendimendua neurtzea dakar, behin-behineko edukien argitalpenek, berriz, bertsio bakarra guztiei aldi berean bidaltzen diete. Ikuspegi bakoitzak helburu desberdinak ditu, A/B probak datuetan oinarritutako optimizazioa lehenesten duelarik eta behin-behineko argitalpenek abiadura eta sinpletasuna lehenesten dituztelarik.
Modeloen zerbitzatzean A/B probak lehiakideen modeloen arteko trafikoa bideratzen du benetako munduko errendimendua neurtzeko, eta modelo bakarreko hedapenak, berriz, modelo bakarra bidaltzen die erabiltzaile guztiei. Taldeek bien artean aukeratzen dute arrisku-tolerantziaren, trafiko-bolumenaren eta guztiz zabaldu aurretik baliozkotze estatistikoaren beharraren arabera.
Adimen artifizialaren laguntzaileek elkarrizketa-elkarrekintzan, laguntza emozionalean eta laguntza egokitzailean jartzen dute arreta, produktibitate-aplikazio tradizionalek, berriz, zereginen kudeaketa egituratua, lan-fluxuak eta eraginkortasun-tresnak lehenesten dituzten bitartean. Konparaketak zereginetarako diseinatutako software zurrunetik produktibitatea interakzio natural eta gizakiaren antzekoarekin eta testuinguru-laguntzarekin uztartzen dituzten sistema egokitzaileetara igarotzea nabarmentzen du.
Adimen artifizialaren eta automatizazioaren arteko desberdintasun nagusiak azaltzen dituen konparazioa da hau, nola funtzionatzen duten, zein arazo ebazten dituzten, egokitasuna, konplexutasuna, kostuak eta enpresa-erabilera errealen kasuak aztertuz.
Azterketa zehatz honek IA bidezko sormena —non algoritmoen ereduen sintesiak ideien sorkuntza eta gauzatze teknikoa bizkortzen dituen— gizakiaren sormen hutsarekin alderatzen du, zeina erabat sortzen den ahultasun pertsonaletatik, sakontasun emozionaletik eta nahitako arau-hausteetatik. Tresna artifizialek sorkuntza demokratizatzen eta bolumena handitzen duten bitartean, benetako giza arteak bizitako esperientzian oinarritzen da lana esanahi sozial sakon batez hornitzeko.
