Від експертних правил до навчання на даних
Модуль 1Урок 4 з 38Безкоштовний модуль
Ранній штучний інтелект часто будували як велику логічну машину: інженери формулювали правила, а система виводила відповідь. Сучасний підхід схожий скоріше на учня: моделі знаходять закономірності в прикладах. Обидва підходи корисні, але їх межі по-різному проявилися в історії галузі.
Логіка й правила
Експертні системи і символьний штучний інтелект добре працюють, коли домен вузький і правила можна описати чітко: «якщо температура висока і кашель — перевірити X». Перевага — зрозумілість: можна простежити ланцюжок умов. Недолік — правил стає надто багато, а реальний світ повний винятків і шуму.
Навчання на даних
Машинне навчання перевертає схему: замість писати всі правила вручну, ми показуємо моделі приклади входів і бажаних виходів. Алгоритм підлаштовує внутрішні параметри. Це зручно для зір, мовлення, рекомендацій — там, де важко формалізувати «як виглядає кіт» словами.
Увага
Чому були зими штучного інтелекту? Часто обіцяли «розум як у людини за кілька років», а правила не масштабувались. Без достатніх даних і потужності навчання теж не давало якості. Коли зʼявилися великі датасети й GPU, методи на основі даних змогли реалізувати те, що системи на правилах не потягнули.
Приклад
Фільтр спаму на правилах шукає слова на кшталт «виграй мільйон». Сучасний фільтр дивиться на тисячі ознак у листах і оновлює ваги з нових прикладів. Другий підхід краще ловить хитрі формулювання, які ніхто не встиг прописати вручну.
Символьний штучний інтелект і представлення знань досі важливі там, де потрібна перевірка й пояснюваність: юридичні бази, медичні протоколи, формальна верифікація. Рушій правил може сказати, яке саме правило спрацювало — це цінно для аудиту. Машинне навчання часто дає кращу якість на шумних даних, але рішення важче розібрати: модель «відчула» патерн у мільйонах прикладів, а не пройшла ланцюжок логічних кроків.
Гібридні системи поєднують обидва світи. Наприклад, конвеєр може спочатку витягнути структуровані факти з документа парсером на основі правил, а потім передати їх у класифікатор або LLM для узагальнення. Так зменшують галюцинації: жорсткі правила тримають рамки, а навчена модель працює там, де формальний опис занадто бідний. Вибір підходу — інженерне рішення, а не віровисповідання «лише дані» чи «лише логіка».
Порада
Зими штучного інтелекту частково пояснює і зміна парадигм: коли системи на правилах вперлися в стелю, інвестори втратили терпіння, хоча ідеї навчання ще не мали достатньо даних і обчислювальних потужностей. Розуміння цієї історії допомагає не повторювати помилку — обіцяти загальний інтелект від одного прориву без інфраструктури навколо нього.
Що запамʼятати
Підхід на основі правил — прозорий, але важко масштабується. Навчання на основі даних — потужне у шумному світі, але потребує даних і обчислень. Сучасний штучний інтелект часто поєднує обидва світи: логіку там, де вона потрібна, і навчання там, де правила не описати.
Перевірка
4 питанняКілька питань за матеріалом уроку. Спроб — скільки завгодно.