? 可解释的AI与规则的重生 湖南钢材钢铁|?天N钢铁|?/title> <meta http-equiv="Content-Type" content="text/html; charset=gb2312" /> <meta content="可解释的AI与规则的重生 ,湖南钢材,湖南钢铁,钢材h,钢材期货,钢材|?钢材市场,钢材行情,钢板Q钢?金属,冉,交易,钢厂,电子商务,天N,湖南,资讯,行情,市场,建站,钢厂h,长沙市场, 板材, 型材,材,不锈?优钢,建材,炉料,有色金属,钢材,天N钢铁|? name="keywords"> <meta content="天N钢铁|是湖南新天怿息咨询有限公司旗下的钢铁行业信息全面的门L?包括钢铁|?钢材|?钢铁h,钢材h,钢铁行情,钢材行情,钢材h走势,钢铁h走势,钢铁市场,钢材市场,钢铁行业分析{信息,为湖南钢铁企业、钢材企业提供最新的钢材h行情资讯和钢材现货电子商务服?致力于ؓ湖南钢铁企业、经销商提供最新的资讯信息q_" name="description"> <link href="http://www.w7wd.com/css/index.css" rel="stylesheet" type="text/css" /> <meta http-equiv="Cache-Control" content="no-transform" /> <meta http-equiv="Cache-Control" content="no-siteapp" /> </head> <body> <title>ũ|ũ
当前位置Q?a href="http://www.w7wd.com">首页 -> 产经U| -> 机械行业
可解释的AI与规则的重生
【字体选择Q?a class="black" href="javascript:fontZoom(16)">?/a> ?/a> ?/a>?2019/3/25 12:18:43)
关键词:钢材 钢铁 钢材|?钢铁|?湖南钢材 湖南钢铁

人工被视Zl“预机器”。通常Qh工智能技术很适合用于生成自动预测。但是,如果你想在受监管的行业中使用人工Q就最好能解释机器是如何预欺诈行为、犯|嫌疑h、不良信用风险或者某U药物试验合适候选h的。国际律师事务所Taylor Wessing希望把h工智能作ZU分cdP向他们的客户提供关于可能存在与“现代奴隶制法案”或“反外腐|法”等法规相关风险的徏议。他们的客户通常有全球供应商或者进行全球收购,需要进行系l性的职调查Q以定应该深度调查哪些斚w扑և潜在风险。有时候供应链会涉及到数百家小型供应商Q这U情况尤为复杂。对于律师或者供应链理人员来说Q调查其中每一个环节是成本极高的。Taylor Wessing采用了Rainbird Technologies的h工智能YӞ与律师一起在相关法律领域对该软gq行训练Q以扑և客户存在潜在风险的线索。如果该人工pȝ昄存在没有正确遵守法规的高风险因素Q系l就会电话通知律师。“规则引擎已歠Z的谣言被夸大了每一Uh工智能都有自q优点和缺炏V现在深度学习是很多人工专业人员的宠儿,但是在透明度和可解释性方面,深度学习相对于其他AIҎ存在明显的不뀂Rainbird的核心是一个规则引擎,有些为,规则引擎是h工智能领域的“昨日黄花”。确实,规则其实是支持最C代h工智能“专家系l”的专家pȝ之背后的因素。但规则仍然令h惊讶地受Ƣ迎Q?017qd勤进行的一调查显C,?9Q的国大型企业高管表示Q他们用了Z规则的h工智能技术。规则引擎的优势在于它的可解释性;拥有一定专业水q的人可以查看规则,看规则是否合理,他们可以相对LC改规则。这非常适合于中低复杂度的决{;在积累了几百条规则的基础上,可以发展Zhc难以理解的怺作用因素Q这让维护这些规则变得十分具有挑战性。从历史来看Q规则更多地是依赖逻辑而不是依赖大量数据。规则不是从数据中学习,而是从hcM安里学习。从专家那里提取领域专业知识的过E,被称为“知识工E”。针对一个简单知识域构徏规则集合是一件很Ҏ的事情,很多非技术专家也能做到。Rainbird的规则体现的是实体之间的关系Q实体和关系形成特定知识域的“知识图谱”。要使用大量规则和大量实体对复杂知识分类q行建模Q这可能是十分困隄Q需要经q训l的知识工程师与专家合作才能做到。Rainbird表示Q构Z{复杂度的知识图谱通常需要大U?0个工作日。依靠专家存在一个问题:在“智能”Y件的世界中,专家必须理解和接受Y件训l、学习和使用的方式。Y件决定了专家如何分n决策规则以及权衡日常决策中最重要的因素。这U方式或者这个过E花费的旉可能会让专家感到不满。再来说说“知识工E师”。Rightbird的客P如Taylor Wessing律师事务所Q找C爱好研究q个领域和这Ҏ术的人才。他们不需要一定是专家。对Taylor Wessing来说Q这些h可以是有技术才能的律师助理Q也可以是爱好法律的技术专家。知识工E师不仅仅是业务分析师,他们也充当着专家的助手。他们从专家那里获取知识Q帮助专家用Y件构建相关的“知识地䏀。知识工E师可以解决专家匮乏或者专家没有够时间的问题Q他们可以提出问题,专家来回{。他们会教导企业l织如何d更多数据。规则变得越来越单Rainbird一直努力让自己的规则引擎变得比以前更易于用。例如,Rainbird有一个编辑器Q引导用户完成规则创E,创徏一个可视模型和Z规则的代码;用户可以使用M一个界面。Rainbird表示Q客户通常只通过量训练可以自行开发应用。与上一代规则引擎相比,新引擎的另一个优Ҏl构化数据可以通过API集成到规则中。例如,它可以根据客L信用评分或者其他类型的数据做出信用决策。虽然规则引擎通常不是概率性的Q但Rainbird实允许知识工程师将主观概率输入到规则中。当不需要大量结构化或者非l构化数据集来测试和改进软g的时候,Z人工的规则就克服了构建模型带来的挑战。这在读取医学图像等领域会相对容易一些,因ؓq种场景可能存在千万个MRI或CAT扫描相关的示例。对于其他很多领域和M新的知识领域来说Q没有够大的数据集可用于训l或保持软g的准性。基于规则的Ҏ解决了这个问题。但q导致用h工智能带来的W三个挑战:信Q、隐U和数据保护。Rainbird的技术是展示规则引擎可解释性优点的一个很好的例子Q它提供了一U“证据树”,描述规则是如何做出特定决{的。Rainbird表示Q医疗和金融服务{行业的监管机构认ؓq种能力特别有用。现在我们可以新M看到各种关于人工存在偏见的报道。展C如何做出决{和选择目标的透明度,有助于解决q个问题。可解释的h工智能是最后一代AIQ由于具有透明度,它也可能是下一代AI。代价就是,我们必须思考机器做事的方式……也是规则。(来源Q互联网Q?/P>

本信息仅供您参?未经许可Q不得{载?br/> 本站部分内容摘自互联|,如果l您造成不便或R犯了您的版权Q请与我们联pR?/div>
【相x章?/div>
最新资?
最新钢材h?
ũ ڸʿʲô Ͼ齫ٷ ε̯׬Ǯ 12淨ͼ ˲35ѡ7 ij p3ͼܻ ˫ɫǮһע ֻ ʮֲƱ