Machine Learning vs Machine Reasoning

Sztuczna inteligencja (Artificial intelligence, AI), uczenie maszynowe (Machine Learning, ML), rozumowanie maszynowe (Machine Reasoning, MR) stały się terminami szeroko wykorzystywanymi we współczesnym świecie. Są używane zamiennie, jako synonimy otaczających nas nowoczesnych technologii. Charakteryzują je jednak inne cechy, funkcje i sposoby rozwiązywania problemów przez zautomatyzowane systemy. ML polega na znajdowaniu wzorców, MR odnajduje relacje.

Czym jest uczenie maszynowe?

Uczenie maszynowe to technologia sztucznej inteligencji, która opiera się na wykorzystaniu zebranych danych, które analizuje się pod kątem wzorców. Algorytmy ML są w stanie przetwarzać szybko duże ilości danych i „odnajdywać” ukryte w nich wzorce potrzebne do skutecznego przewidywania wyników. Przypomina to zasadę, że „kłamstwo powtórzone tysiąc razy staje się prawdą”. Oczywiście, nie tysiąc lecz miliony razy, i oczywiście są wystarczające zabezpieczenia chroniące przed takimi uproszeniami. Jednak znaczna grupa badaczy twierdzi, że tak wykorzystywane algorytmy prowadzą w efekcie do uproszczeń oraz pogłębiają stereotypy (np. oceniając zachowania ludzi). Ostatnie afery związane z Facebookiem i jego algorytmami promującymi treści potwierdzają te zagrożenia…
ML opiera się na ogromnych ilościach danych w celu tworzenia sugestii, ale algorytmy ML nie zapewniają prostej metody śledzenia przyczyn sugestii. Dla rozpoznania przyczyn stosuje się właśnie rozumowanie maszynowe.

Czym jest rozumowanie maszynowe?

Rozumowanie maszynowe rozszerza możliwości ML poprzez ocenę faktów i wyników uzyskiwanych w uczeniu maszynowym, w kontekście wiarygodności źródeł danych oraz znanych już efektów wyników przewidywanych przez ML. Technologia ta buduje ścieżki oparte na faktach, które logicznie następują po już stwierdzonych, ale nie są wyraźnie określone. Buduje i wiąże modele semantyczne, które najlepiej odwzorowują logiczne rozumowanie.
Systemy rozumowania maszynowego zawierają tzw. bazę wiedzy, która przechowuje wiedzę deklaratywną i proceduralną, oraz silnik wnioskowania, który wykorzystuje techniki logiczne, takie jak dedukcja i indukcja, do generowania wniosków.
Rozumowanie maszynowe jest podejściem bardziej zbliżonym do rozumowania ludzkiego. Algorytmy MR odnajdują relacje pomiędzy danymi wejściowymi, a spodziewanymi efektami zaproponowanej sugestii. Przekształcają dane percepcyjne, nieustrukturyzowane z natury, do informacji częściowo ustrukturyzowanych i połączonych, reprezentujących kontekstowe, kategoryczne opisy. Informacje te następnie łączą z wiedzą deklaratywną (to może się zdarzyć), i wiedzą proceduralną (to musi się zdarzyć ponieważ…). W ten sposób budowana jest wielopoziomowa struktura wiedzy, która prowadzi do wniosku, a nie sugestii.

Gdzie najlepiej je stosować?

Uczenie maszynowe opiera się na metodach statystycznych. Używane jest do liczbowego obliczania zoptymalizowanego modelu na podstawie dostarczonych danych szkoleniowych.
Uczenie maszynowe najlepiej stosować w scenariuszach, w których wynik jest probabilistyczny — np. określanie poziomu ryzyka.
Rozumowanie maszynowe generuje wnioski z symbolicznej reprezentacji wiedzy. Opiera się na formalnym opisie pojęć w modelu, często zorganizowanym w ontologię. Wiedza jest potwierdzana w modelu, poprzez połączenie abstrakcyjnych pojęć i terminologii z obiektami reprezentującymi jednostki, które mają być używane i zarządzane.
Rozumowanie maszynowe najlepiej jest stosować w scenariuszach deterministycznych – czyli określaniu, czy coś jest prawdziwe, czy nie, lub czy coś się wydarzy, czy nie.

Obie technologie nie są dla siebie konkurencyjne, są komplementarne. Pełną ściśle określoną funkcję w procesach analitycznych. Pomimo, że są odrębne, to równie ważne w procesach podejmowania decyzji.