Pengoptimuman dasar berasaskan kecerunan mempelajari strategi kawalan melalui isyarat ganjaran cuba-dan-ralat, manakala sistem kawalan berasaskan peraturan mengikuti logik kod tangan. Satu menyesuaikan diri dengan persekitaran kompleks melalui pengalaman, manakala yang satu lagi menawarkan tingkah laku yang boleh diramal dan telus tanpa data latihan.
Pendekatan pembelajaran peneguhan yang melaraskan parameter dasar menggunakan isyarat kecerunan yang diperoleh daripada maklum balas ganjaran.
Seni bina kawalan yang beroperasi pada keadaan logik yang telah ditetapkan, ambang dan pernyataan jika-maka yang ditulis oleh jurutera.
| Ciri-ciri | Pengoptimuman Dasar Berasaskan Gradien | Sistem Kawalan Berasaskan Peraturan |
|---|---|---|
| Pendekatan Pembelajaran | Belajar daripada isyarat ganjaran melalui kemas kini kecerunan | Melaksanakan peraturan yang telah diprogramkan tanpa mempelajarinya |
| Keperluan Data | Memerlukan sejumlah besar data interaksi | Tiada data latihan diperlukan |
| Kebolehtafsiran | Selalunya kotak hitam; pemberat polisi adalah legap | Telus sepenuhnya; peraturan boleh dibaca secara langsung |
| Kebolehsuaian | Menyesuaikan diri dengan situasi baharu melalui latihan berterusan | Diperbaiki pada masa reka bentuk; memerlukan kemas kini manual |
| Kelajuan Pelaksanaan | Perlahan; latihan selama berminggu-minggu hingga berbulan-bulan sering diperlukan | Cepat; gunakan sebaik sahaja peraturan ditulis dan diuji |
| Mengendalikan Input Dimensi Tinggi | Cemerlang dengan piksel mentah, tatasusunan sensor dan ruang keadaan kompleks | Perjuangan tanpa kejuruteraan ciri manual |
| Jaminan Keselamatan | Sukar untuk disahkan secara rasmi; boleh menunjukkan tingkah laku yang tidak dijangka | Lebih mudah untuk disahkan melalui kaedah dan pengujian formal |
| Kos Pengiraan semasa Masa Jalan | Lebih tinggi; memerlukan inferens rangkaian saraf | Lebih rendah; operasi logik mudah mencukupi |
Pengoptimuman dasar berasaskan kecerunan berfungsi dengan mempartemenkan dasar, biasanya sebagai rangkaian saraf, dan kemudian menggerakkan pemberatnya ke arah yang meningkatkan ganjaran yang dijangkakan. Sistem ini meneroka tindakan, memerhatikan hasil dan menggunakan kecerunan isyarat ganjaran untuk menambah baik dari semasa ke semasa. Sebaliknya, sistem berasaskan peraturan mengikuti pokok keputusan tetap atau set keadaan logik. Seorang jurutera menulis sesuatu seperti 'jika suhu melebihi 90°C, kurangkan kuasa' dan pengawal mematuhi peraturan tersebut setiap masa tanpa sisihan.
Untuk memastikan kaedah kecerunan dasar berfungsi melibatkan penentuan fungsi ganjaran, penyediaan persekitaran untuk interaksi dan menjalankan pengoptimuman sehingga dasar tersebut mencapai penumpuan, yang boleh mengambil masa beberapa hari atau minggu untuk dikira. Sistem berasaskan peraturan melangkau semua itu. Pakar domain menterjemahkan pengetahuan ke dalam kod, mengujinya dan menghantarnya. Pertukarannya ialah sistem berasaskan peraturan hanya tahu apa yang anda beritahu mereka, manakala dasar yang dipelajari boleh menemui strategi yang tidak ditulis oleh pengaturcara secara eksplisit.
Apabila pengawal berasaskan peraturan bertindak salah, anda boleh mengesan keadaan sebenar yang mencetuskan output yang buruk. Kebolehauditan seperti ini adalah sebab mengapa sistem berasaskan peraturan mendominasi penerbangan, peranti perubatan dan kawalan loji nuklear. Kaedah kecerunan dasar tidak menawarkan kemewahan sedemikian. Tingkah laku mereka muncul daripada berjuta-juta nilai pemberat, dan penyelidik juga kadangkala sukar untuk menjelaskan mengapa ejen terlatih memilih tindakan tertentu dalam keadaan tertentu.
Untuk tugasan dengan input deria yang kaya, seperti bermain permainan Atari daripada piksel mentah atau mengawal robot humanoid dengan berpuluh-puluh sendi, kaedah berasaskan kecerunan mempunyai kelebihan yang jelas. Ia mempelajari ciri hierarki secara automatik dan boleh mengendalikan ruang tindakan berterusan yang tidak praktikal untuk dikodkan secara manual. Sistem berasaskan peraturan cenderung untuk mencapai tahap mendatar dalam tetapan sedemikian kerana bilangan peraturan yang diperlukan meningkat secara eksponen dengan kerumitan input.
Industri yang dikawal selia pada amnya lebih suka sistem berasaskan peraturan kerana ia boleh disahkan secara formal. Anda boleh membuktikan bahawa pengawal tidak akan pernah memasuki keadaan tidak selamat tertentu. Dasar yang dipelajari menentang analisis seperti ini, walaupun penyelidikan tentang pembelajaran peneguhan yang boleh disahkan sedang dijalankan. Pendekatan hibrid, di mana lapisan keselamatan berasaskan peraturan merangkumi dasar yang dipelajari, menjadi popular sebagai jalan tengah.
Kaedah kecerunan dasar sentiasa mengatasi sistem berasaskan peraturan.
Pada tugasan kawalan perindustrian yang ditakrifkan dengan baik, pengawal berasaskan peraturan yang ditala dengan betul selalunya sepadan atau mengatasi dasar yang dipelajari semasa menggunakan sebahagian kecil daripada pengiraan. Kaedah yang dipelajari menonjol dalam domain di mana menulis peraturan dengan tangan adalah tidak praktikal, bukan dalam setiap masalah.
Sistem berasaskan peraturan sudah ketinggalan zaman dalam AI moden.
Sistem berasaskan peraturan kekal sebagai tulang belakang infrastruktur kritikal keselamatan, daripada autopilot pesawat hingga pam infusi perubatan. Ia sering digabungkan dengan komponen yang dipelajari dalam seni bina hibrid dan bukannya digantikan sepenuhnya.
Setelah dilatih, ejen kecerunan dasar 'selesai' dan tidak memerlukan kemas kini.
Anjakan taburan, hanyutan sensor dan persekitaran yang berubah-ubah boleh menjejaskan prestasi dasar yang terlatih. Banyak sistem yang digunakan termasuk pembelajaran berterusan atau latihan semula berkala untuk kekal berkesan.
Sistem berasaskan peraturan tidak dapat menangani ketidakpastian.
Pengawal logik kabur dan sistem peraturan probabilistik telah mengendalikan ketidakpastian selama beberapa dekad. Ia menggunakan fungsi keahlian dan ambang keyakinan dan bukannya keadaan boolean yang jelas untuk menaakul input yang bising.
Kaedah kecerunan dasar sentiasa menumpu kepada dasar yang optimum.
Jaminan konvergensi hanya wujud di bawah andaian yang terhad. Dalam praktiknya, dasar sering kali ditetapkan pada optima tempatan, dan reka bentuk fungsi ganjaran sangat mempengaruhi apa yang dimaksudkan dengan 'optimum'.
Pilih pengoptimuman dasar berasaskan kecerunan apabila persekitaran terlalu kompleks untuk dikodkan dengan tangan, apabila anda mempunyai data simulasi atau interaksi yang banyak, dan apabila prestasi puncak lebih penting daripada kebolehtafsiran. Pilih sistem kawalan berasaskan peraturan apabila pensijilan keselamatan diperlukan, apabila masalah difahami dengan baik, atau apabila anda memerlukan penyelesaian yang berfungsi hari ini tanpa infrastruktur latihan.
Adaptasi bahasa dalam AI memberi tumpuan kepada pengajaran model untuk mengendalikan bahasa tertentu melalui penalaan halus dan pembelajaran pemindahan, manakala sistem AI agnostik bahasa bertujuan untuk memproses sebarang bahasa tanpa latihan khusus bahasa. Kedua-dua pendekatan menangani cabaran berbilang bahasa tetapi berbeza secara asasnya dalam seni bina, data latihan dan penggunaan dunia sebenar.
Perbandingan ini menganalisis pilihan strategik dalam pembelajaran mesin antara Adaptasi Domain, yang memindahkan pengetahuan daripada persekitaran sumber berlabel kepada persekitaran sasaran yang berbeza, dan Latihan Dalam Domain, yang membina model sepenuhnya pada data yang dituai daripada tetapan penggunaan sasaran yang tepat.
Pengagregatan keutamaan menggabungkan pelbagai keutamaan individu ke dalam keputusan kolektif, manakala pemodelan ramalan individu meramalkan tingkah laku peribadi menggunakan pembelajaran mesin pada data pengguna tunggal. Kedua-duanya mempunyai tujuan yang berbeza dalam sistem AI, daripada enjin cadangan kepada platform pengundian demokratik.
Pecahan seni bina ini menganalisis paradigma berbeza bagi sistem kecerdasan buatan berpandukan matlamat dan berpandukan input. Walaupun seni bina berpandukan input cemerlang dalam pemprosesan reaktif dan pengecaman corak serta-merta, sistem berpandukan matlamat mempunyai rangka kerja kognitif lanjutan yang diperlukan untuk penaakulan berbilang langkah, perancangan adaptif dan penyelesaian masalah autonomi.
Perbandingan ini menerangkan perbezaan utama antara kecerdasan buatan dan automasi, dengan memberi tumpuan kepada cara ia berfungsi, masalah yang diselesaikannya, kebolehsuaiannya, kerumitan, kos, dan kes penggunaan perniagaan dalam dunia sebenar.
