Abstraktus problemų sprendimas pabrėžia lankstų, kūrybišką mąstymą nepažįstamose situacijose, o taisyklėmis pagrįstas programavimas remiasi iš anksto apibrėžtomis loginėmis instrukcijomis, kad gautų rezultatus. Abu metodai formuoja, kaip mašinos ir žmonės sprendžia iššūkius, tačiau jie labai skiriasi prisitaikomumu, skaidrumu ir problemų rūšimis, kurias jie geriausiai sprendžia.
Lankstus samprotavimo metodas, kuris sprendžia naujas, neapibrėžtas problemas taikydamas šablonų atpažinimą, analogiją ir kūrybinį išvadų darymą, o ne fiksuotas procedūras.
Skaičiavimo metodas, kai programinė įranga vadovaujasi aiškiomis „jei-tai“ taisyklėmis ir loginiais teiginiais, kad apdorotų duomenis ir pateiktų deterministinius rezultatus.
| Funkcija | Abstraktus problemų sprendimas | Taisyklėmis pagrįstas programavimas |
|---|---|---|
| Pagrindinis metodas | Lankstus samprotavimas ir modelių nustatymas | Ištaisytos loginės instrukcijos, jei-tada |
| Naujų problemų sprendimas | Prisitaiko prie nepažįstamų situacijų | Sunkumai už apibrėžtų taisyklių rinkinių ribų |
| Skaidrumas | Dažnai neskaidrus, ypač dirbtinio intelekto modeliuose | Labai skaidrus ir audituojamas |
| Geriausi naudojimo atvejai | Tyrimai, kūrybinės užduotys, apibendrinimas | Atitiktis, diagnostika, automatizavimas |
| Žmogaus kognityvinė paralelė | Sklandus intelektas ir įžvalga | Procedūrinė atmintis ir įpročiai |
| Įgyvendinimo sudėtingumas | Reikalingi mokymo duomenys arba samprotavimo sistemos | Reikalingas kruopštus taisyklių kūrimas |
| Klaidos elgesys | Gali sukelti nenuspėjamų naujų klaidų | Nuspėjamai nepavyksta, kai taisyklės yra nepilnos |
| Žinių mastelio keitimas | Mokosi iš pavyzdžių ir perkelia modelius | Žinios auga pridedant daugiau taisyklių |
Abstraktus problemų sprendimas klesti, kai situacijos neatitinka nieko anksčiau matyto. Žmogus ar dirbtinio intelekto sistema, naudojantys šį metodą, gali brėžti analogijas, tikrinti hipotezes ir kurti naujas strategijas akimirksniu. Tuo tarpu taisyklėmis pagrįstas programavimas elgiasi kaip gerai organizuota srautų schema: jis tvarko viską, ką apima jos taisyklės, ir mandagiai sugenda su visa kita. Jei jums reikia sistemos, kuri improvizuoja, laimi abstraktus samprotavimas. Jei jums reikia tokios, kuri niekada neimprovizuoja, laimi taisyklės.
Taisyklėmis pagrįstas sistemas nepaprastai lengva audituoti. Kiekvienas sprendimas yra susijęs su konkrečia sąlyga ir veiksmu, todėl bankai ir reguliavimo institucijos jas mėgsta. Abstraktus problemų sprendimas, ypač kai jį palaiko neuroniniai tinklai arba dideli kalbos modeliai, dažnai veikia kaip juodoji dėžė. Tyrėjai aktyviai dirba su paaiškinamu dirbtiniu intelektu, kad užpildytų šią spragą, tačiau kol kas taisyklėmis pagrįsti metodai išlieka auksiniu standartu, kai svarbi atskaitomybė.
Taisyklėmis pagrįstos sistemos kūrimas reiškia susitikimą su srities ekspertais ir jų žinių pavertimą aiškiomis sąlygomis – procesą, kuris gali užtrukti mėnesius, tačiau sukuria tikslią logiką. Abstrakčios problemų sprendimo sistemos mokosi kitaip: jos absorbuoja modelius iš didelių duomenų rinkinių ar patirties, o tada apibendrina. Dėl to jas kai kuriais atžvilgiais galima greičiau apmokyti, bet sunkiau kontroliuoti, nes ne visada galima nurodyti, kur modelio viduje yra žinių dalis.
Kai taisyklėmis pagrįsta sistema sugenda, ji paprastai sugenda garsiai ir aiškiai: dėl nesuderintos sąlygos, sintaksės klaidos arba loginio prieštaravimo. Abstraktaus mąstymo sistemos sugenda tyliau, kartais pateikdamos užtikrintus, bet neteisingus atsakymus. Saugumo požiūriu kritinėse aplinkose, tokiose kaip aviacija ar medicininis dozavimas, šis nuspėjamumas daro taisyklėmis pagrįstas sistemas patrauklias. Kūrybinėse ar tyrinėjimo srityse retkarčiais pasitaikanti nauja abstrakčios sistemos klaida yra savybė, o ne klaida.
Taisyklėmis pagrįstas programavimas dominuoja mokesčių programinėje įrangoje, kredito balų skyrime, sukčiavimo aptikimo slenksčių nustatyme ir klinikinių sprendimų palaikymo srityje, kur reglamentai reikalauja atsekamumo. Abstraktus problemų sprendimas išsiskiria moksliniuose tyrimuose, žaidimų dirbtinio intelekto srityje, projektavimo užduotyse ir bet kurioje srityje, kurioje pati problema dar nėra iki galo suprasta. Daugelyje šiuolaikinių sistemų iš tikrųjų derinami abu šie principai: taisyklės tvarko įprastus atvejus, o abstraktus samprotavimas – neįprastų situacijų ilgąją uodegą.
Abstraktus problemų sprendimas yra tiesiog šablonų derinimas su papildomais žingsniais.
Nors šablonų atpažinimas yra to dalis, tikrasis abstraktus samprotavimas taip pat apima analoginį perkėlimą, hipotezių tikrinimą ir gebėjimą kurti naujus atvaizdavimus. Vien šablonų atitikimas, be išvadų lygmens, dažniausiai nepavyksta spręsti problemų, kurios paviršutiniškai skiriasi nuo mokymo pavyzdžių.
Taisyklėmis pagrįstas programavimas yra pasenęs ir jį keičia dirbtinis intelektas.
Taisyklėmis pagrįstos sistemos išlieka giliai įsitvirtinusios šiuolaikinėje infrastruktūroje – nuo oro linijų kainodaros mechanizmų iki medicininių dozių skaičiuoklių. Užuot pakeistos, jos vis dažniau derinamos su mašininiu mokymusi hibridinėse architektūrose, kurios išnaudoja abiejų stipriąsias puses.
Jei sistema naudoja taisykles, ji negali mokytis.
Šiuolaikiniai taisyklių mechanizmai gali apimti mokymosi komponentus, kurie siūlo naujas taisykles, patikslina ribas arba pažymi neatitikimus. Riba tarp taisyklėmis pagrįstų ir mokymosi sistemų yra neryškesnė, nei žmonės dažnai mano.
Abstraktus mąstymas yra tai, ką gali daryti tik žmonės.
Dirbtinio intelekto sistemos pademonstravo abstraktų samprotavimą pagal konkrečius kriterijus, nors bendrosios paskirties abstrakcijos srityje jos vis dar atsilieka nuo žmonių. Abstrakcijos ir samprotavimo korpusas (ARC) tapo pagrindiniu šios srities pažangos matavimo kriterijumi.
Taisyklėmis pagrįstos sistemos visada yra lėtesnės nei dirbtinis intelektas.
Tiksliai apibrėžtoms problemoms spręsti taisyklėmis pagrįstos sistemos gali pranokti dirbtinį intelektą tiek greičiu, tiek tikslumu, nes joms nereikia modelio išvadų. Dirbtinio intelekto pranašumas pirmiausia išryškėja atliekant nestruktūrizuotas arba dviprasmiškas užduotis.
Rinkitės abstraktų problemų sprendimą, kai jūsų iššūkis susijęs su naujumu, kūrybiškumu ar nepilna informacija ir esate pasirengę dalį skaidrumo pakeisti pritaikomumu. Rinkitės taisyklėmis pagrįstą programavimą, kai sprendimai turi būti paaiškinami, nuoseklūs ir teisiškai pagrįsti, ypač reguliuojamose pramonės šakose. Praktiškai stipriausios sistemos dažnai derina abu, naudodamos taisykles įprastiems atvejams ir abstraktų samprotavimą viskam kitam.
Analitinis mąstymas suskaido problemas į logines sudedamąsias dalis sisteminiam vertinimui, o tiesioginės patirties suvokimas grindžia supratimą tiesioginiu, įkūnytu suvokimu. Abu požiūriai formuoja tai, kaip mes apdorojame realybę, tačiau jie veikia iš esmės skirtingais kognityviniais keliais ir tarnauja skirtingiems tikslams priimant sprendimus.
Asimetrijos analizė ir simetrijos prielaida yra du priešingi įrodymų ir argumentų vertinimo būdai. Asimetrijos analizė vertina teiginius pagal jų konkretų kontekstą ir įrodymo naštą, o simetrijos prielaida konkuruojančius teiginius laiko vienodai patikimais, kol neįrodyta priešingai. Abiejų metodų supratimas padeda lavinti kritinį mąstymą.
Atsitiktinumas ir struktūriniai apribojimai yra dvi priešingos jėgos kritiniame mąstyme. Atsitiktinumas įneša nenuspėjamumo ir naujumo, o struktūriniai apribojimai nustato tvarką, modelius ir ribas. Supratimas, kaip šios jėgos sąveikauja, formuoja samprotavimus, kūrybiškumą ir sprendimų priėmimą įvairiose disciplinose.
Atviri klausimai ir galutiniai atsakymai yra du skirtingi žinių įsisavinimo ir bendravimo būdai. Vienas skatina tyrinėjimą, smalsumą ir įvairius požiūrius, o kitas pateikia aiškias, galutines išvadas, pagrįstas turima informacija. Abu yra būtini kritiniam mąstymui, derinant tyrimą su sprendimu, atsižvelgiant į kontekstą ir tikslą.
Atvirumas ir kognityvinis šališkumas yra dvi priešingos jėgos žmogaus mąstyme. Nors atvirumas skatina lankstumą, smalsumą ir norą atnaujinti įsitikinimus, kognityvinis šališkumas atspindi mentalinius trumpuosius kelius ir iškraipymus, kurie nesąmoningai formuoja sprendimus. Abiejų šių dviejų sąvokų supratimas padeda pagerinti sprendimų priėmimą, sumažinti klaidų skaičių ir ugdyti labiau subalansuotus kritinio mąstymo įgūdžius kasdieniame gyvenime.
