Abstrakta problēmu risināšana uzsver elastīgu, radošu spriešanu nepazīstamās situācijās, savukārt uz noteikumiem balstīta programmēšana balstās uz iepriekš definētām loģiskām instrukcijām, lai iegūtu rezultātus. Abas pieejas nosaka, kā mašīnas un cilvēki risina izaicinājumus, taču tās krasi atšķiras pielāgojamības, caurspīdīguma un problēmu veidu ziņā, ar kurām tās vislabāk tiek galā.
Elastīga spriešanas pieeja, kas risina jaunas, nedefinētas problēmas, izmantojot modeļu atpazīšanu, analoģiju un radošu secinājumu izdarīšanu, nevis fiksētas procedūras.
Skaitļošanas pieeja, kurā programmatūra ievēro skaidrus "ja-tad" noteikumus un loģiskus priekšrakstus, lai apstrādātu datus un ģenerētu deterministiskas izejas.
| Funkcija | Abstraktu problēmu risināšana | Uz noteikumiem balstīta programmēšana |
|---|---|---|
| Galvenā pieeja | Elastīga spriešana un modeļu secināšana | Fiksētas loģiskās instrukcijas "ja-tad" |
| Jaunu problēmu risināšana | Pielāgojas nepazīstamiem scenārijiem | Cīņas ārpus definētajiem noteikumu kopumiem |
| Caurspīdīgums | Bieži vien neskaidrs, īpaši mākslīgā intelekta modeļos | Augsta pārredzamība un auditējamība |
| Labākie lietošanas gadījumi | Pētniecība, radošie uzdevumi, vispārināšana | Atbilstība, diagnostika, automatizācija |
| Cilvēka kognitīvā paralēle | Šķidruma intelekts un ieskatu | Procedurālā atmiņa un ieradumi |
| Īstenošanas sarežģītība | Nepieciešami apmācības dati vai spriešanas sistēmas | Nepieciešama rūpīga noteikumu izveide |
| Kļūdas darbība | Var radīt neparedzamas jaunas kļūdas | Neizdodas paredzami, ja noteikumi ir nepilnīgi |
| Zināšanu mērogojamība | Mācās no piemēriem un pārnes modeļus | Zināšanas aug, pievienojot vairāk noteikumu |
Abstraktu problēmu risināšana zeļ, ja situācijas neatbilst nekam iepriekš redzētam. Cilvēks vai mākslīgā intelekta sistēma, kas izmanto šo pieeju, var acumirklī vilkt analoģijas, pārbaudīt hipotēzes un konstruēt jaunas stratēģijas. Turpretī uz noteikumiem balstīta programmēšana uzvedas kā labi organizēta blokshēma: tā apstrādā visu, ko aptver tās noteikumi, un pieklājīgi cieš neveiksmi visā pārējā. Ja jums ir nepieciešama sistēma, kas improvizē, uzvar abstraktā domāšana. Ja jums ir nepieciešama tāda, kas nekad neimprovizē, uzvar noteikumi.
Uz noteikumiem balstītas sistēmas ir ievērojami viegli auditējamas. Katrs lēmums ir saistīts ar konkrētu nosacījumu un darbību, tāpēc bankas un regulatori tās iecienījuši. Abstrakta problēmu risināšana, īpaši, ja to nodrošina neironu tīkli vai lieli valodu modeļi, bieži darbojas kā melnā kaste. Pētnieki aktīvi strādā pie izskaidrojama mākslīgā intelekta, lai novērstu šo plaisu, taču pagaidām uz noteikumiem balstītas pieejas joprojām ir zelta standarts, kad ir svarīga atbildība.
Uz noteikumiem balstītas sistēmas izveide nozīmē tikšanos ar jomas ekspertiem un viņu zināšanu pārvēršanu konkrētos nosacījumos – process, kas var ilgt mēnešus, bet rada precīzu loģiku. Abstraktas problēmu risināšanas sistēmas mācās citādi: tās absorbē modeļus no lieliem datu kopumiem vai pieredzes un pēc tam vispārina. Tas padara tās dažos aspektos ātrāk apmācāmas, bet grūtāk kontrolējamas, jo ne vienmēr var norādīt, kur modeļa ietvaros atrodas zināšanu daļa.
Kad uz noteikumiem balstīta sistēma sabojājas, tā parasti sabojājas skaļi un skaidri: neatbilstošs nosacījums, sintakses kļūda vai loģiska pretruna. Abstraktās spriešanas sistēmas sabojājas klusāk, dažreiz sniedzot pārliecinātas, bet nepareizas atbildes. Drošībai kritiskās vidēs, piemēram, aviācijā vai medicīniskajā dozēšanā, šī paredzamība padara uz noteikumiem balstītas sistēmas pievilcīgas. Radošās vai izpētes jomās neregulāra jauna kļūda abstraktā sistēmā ir funkcija, nevis kļūda.
Uz noteikumiem balstīta programmēšana dominē nodokļu programmatūrā, kredītreitinga noteikšanā, krāpšanas atklāšanas sliekšņu noteikšanā un klīniskajā lēmumu atbalstā, kur noteikumi pieprasa izsekojamību. Abstraktu problēmu risināšana izceļas zinātniskajos pētījumos, spēļu mākslīgajā intelektā, dizaina uzdevumos un jebkurā jomā, kur pati problēma vēl nav pilnībā izprasta. Daudzas mūsdienu sistēmas faktiski apvieno abus: noteikumi apstrādā ikdienas gadījumus, bet abstraktā spriešana risina neparastu situāciju garo asti.
Abstraktu problēmu risināšana ir tikai modeļu saskaņošana ar papildu soļiem.
Lai gan modeļu atpazīšana ir daļa no tā, patiesa abstrakta spriešana ietver arī analoģisku pārnesi, hipotēžu pārbaudi un spēju izgudrot jaunus attēlojumus. Modeļu saskaņošana vien, bez secinošā slāņa, parasti neizdodas problēmās, kas virspusēji atšķiras no apmācības piemēriem.
Uz noteikumiem balstīta programmēšana ir novecojusi un to aizstāj mākslīgais intelekts.
Uz noteikumiem balstītas sistēmas joprojām ir dziļi iesakņojušās mūsdienu infrastruktūrā, sākot no aviokompāniju cenu noteikšanas dzinējiem līdz medicīnisko devu kalkulatoriem. Tās nevis tiek aizstātas, bet arvien vairāk apvienotas ar mašīnmācīšanos hibrīdarhitektūrās, kas izmanto abu stiprās puses.
Ja sistēma izmanto noteikumus, tā nevar mācīties.
Mūsdienu noteikumu dzinēji var ietvert mācību komponentus, kas iesaka jaunus noteikumus, precizē robežvērtības vai atzīmē neatbilstības. Robeža starp uz noteikumiem balstītām un mācību sistēmām ir neskaidrāka, nekā cilvēki bieži pieņem.
Abstrakta domāšana ir kaut kas tāds, ko spēj tikai cilvēki.
Mākslīgā intelekta sistēmas ir demonstrējušas abstraktas spriešanas spējas noteiktos kritērijos, lai gan tās joprojām atpaliek no cilvēkiem vispārējas abstrakcijas jomā. Abstrakcijas un spriešanas korpuss (ARC) ir kļuvis par galveno kritēriju progresa mērīšanai šajā jomā.
Uz noteikumiem balstītas sistēmas vienmēr ir lēnākas nekā mākslīgais intelekts.
Precīzi definētu problēmu gadījumā uz noteikumiem balstītas sistēmas var pārspēt mākslīgo intelektu gan ātruma, gan precizitātes ziņā, jo tām nav jāuzņemas modeļa secinājumu radītās papildu izmaksas. Mākslīgā intelekta priekšrocības galvenokārt izpaužas nestrukturētos vai neskaidros uzdevumos.
Izvēlieties abstraktu problēmu risināšanu, ja jūsu izaicinājums ir saistīts ar jaunumu, radošumu vai nepilnīgu informāciju, un esat gatavs aizstāt daļu caurspīdīguma ar pielāgošanās spēju. Izvēlieties uz noteikumiem balstītu programmēšanu, ja lēmumiem jābūt izskaidrojamiem, konsekventiem un juridiski aizstāvamiem, īpaši regulētās nozarēs. Praksē spēcīgākās sistēmas bieži apvieno abus, izmantojot noteikumus ikdienas gadījumiem un abstraktu spriešanu visam pārējam.
Analītiskā domāšana sadala problēmas loģiskās sastāvdaļās sistemātiskai izvērtēšanai, savukārt tiešas pieredzes apzināšanās pamato izpratni tūlītējā, iemiesotā uztverē. Abas pieejas veido to, kā mēs apstrādājam realitāti, taču tās darbojas, izmantojot principiāli atšķirīgus kognitīvos ceļus, un tām ir atšķirīgi mērķi lēmumu pieņemšanā.
Ārējie rīki un iekšējās zināšanas ir divas savstarpēji papildinošas pieejas kritiskajai domāšanai. Ārējie rīki piedāvā strukturētas, eksternalizētas spriešanas metodes, savukārt iekšējās zināšanas balstās uz uzkrātām mentālām sistēmām. Izpratne par to stiprajām pusēm palīdz domātājiem izvēlēties pareizo pieeju dažādās situācijās.
Asimetrijas analīze un simetrijas pieņēmums ir divas pretējas pieejas pierādījumu un argumentu izvērtēšanai. Asimetrijas analīze izvērtē apgalvojumus, ņemot vērā to konkrēto kontekstu un pierādīšanas pienākumu, savukārt simetrijas pieņēmums uzskata konkurējošus apgalvojumus par vienlīdz ticamiem, līdz tiek pierādīts pretējais. Izpratne par abiem šiem pieņēmumiem palīdz asināt kritisko domāšanu.
Atvērtība un kognitīvās aizspriedumi pārstāv divus pretējus spēkus cilvēka domāšanā. Lai gan atvērtība veicina elastību, zinātkāri un vēlmi atjaunināt uzskatus, kognitīvās aizspriedumi atspoguļo garīgās saīsnes un kropļojumus, kas neapzināti veido spriedumus. Izpratne par abiem šiem faktoriem palīdz uzlabot lēmumu pieņemšanu, samazināt kļūdas un attīstīt līdzsvarotākas kritiskās domāšanas prasmes ikdienas dzīvē.
Atvērti jautājumi un noteiktas atbildes ir divi dažādi veidi, kā iesaistīties zināšanu apgūšanā un komunikācijā. Viens veicina izpēti, zinātkāri un vairākas perspektīvas, bet otrs sniedz skaidrus, galīgus secinājumus, pamatojoties uz pieejamo informāciju. Abi ir būtiski kritiskās domāšanas veidošanai, līdzsvarojot izpēti ar risinājumu atkarībā no konteksta un mērķa.
