Reading Time: 9 mins

Het raadsel van het gebruik van op regels gebaseerde versus machine learning-systemen

Het raadsel van het gebruik van op regels gebaseerde versus machine learning-systemen

Er is tegenwoordig veel enthousiasme en enthousiasme om nieuwe technologieën zoals kunstmatige intelligentie, machine learning en deep learning toe te passen. Maar is de adoptie gebaseerd op werkelijke behoeften of het omarmen van de modernste technologie alleen maar omwille van het?

Rule based vs. Machine LearningWat gebeurt er met technologieën zoals op regels gebaseerde systemen die in zwang waren voordat kunstmatige-intelligentiesystemen zoals Machine Learning ontstonden? Moeten alle organisaties overstappen op Machine Learning voor betere resultaten, of kunnen ze op regels gebaseerde systemen blijven gebruiken?

Laten we in dit artikel op regels gebaseerde systemen, machine learning of zelflerende systemen bespreken en de voordelen, beperkingen en de bedrijfsbehoeften om ze toe te passen bespreken.

Wat is een op regels gebaseerd systeem?

Wanneer u het systeem programmeert om beslissingen te nemen op basis van een bepaalde set regels, worden ze op regels gebaseerde systemen genoemd. Regelgebaseerde systemen worden gebouwd door menselijke experts met diepgaande domeinkennis om de best mogelijke output te garanderen. Het zijn dus door experts aangestuurde systemen.

Rule based system for loan approval

Op regels gebaseerde systemen vertrouwen op een reeks feiten en passen “als-dan”-regels op de feiten toe om beslissingen te nemen. Als een bank bijvoorbeeld een aanvraag voor een lening van iemand ontvangt, kan de bank een eenvoudige regel gebruiken zoals “Als de aanvrager minder is = 50 en zijn inkomen = $ 60000 per jaar”, kan de bank de lening goedkeuren. Dit is natuurlijk een eenvoudige regel, en op regels gebaseerde systemen kunnen veel complexere regels worden gebouwd om de aanvrager te kwalificeren en te beslissen of het verzoek wordt goedgekeurd of afgewezen.

Zoals hierboven vermeld, zijn deze regels gebouwd door mensen die domeinexperts zijn, en de zakelijke kennis die ze inbrengen bij het bouwen van deze regels is van cruciaal belang voor het systeem om input te accepteren en dienovereenkomstig output te leveren.

Wat is een machine learning-systeem?

Machine learning-systemen onderzoeken grote hoeveelheden gegevens uit het verleden en nemen beslissingen op basis van hun kennis van de gegevens. In het voorbeeld van de leningaanvraag hierboven kan een machine learning-systeem bijvoorbeeld zien dat een leningaanvrager met een leeftijd van =50 en een inkomen van =$60000 kan worden goedgekeurd op basis van het enorme aantal gegevens van aanvragers uit het verleden.

Machine Learning based underwriting

Het belangrijkste punt om op te merken is dat niemand de bovenstaande informatie hoeft te vertellen aan het op Machine Learning gebaseerde systeem, omdat de software deze logische afleiding zelf kan maken door simpelweg de gegevens te analyseren en naar correlaties te zoeken.

Kortom, een machine learning-systeem leert vanzelf van patronen in de gegevens die eraan worden doorgegeven, terwijl op regels gebaseerde systemen starre “Als-anders”-regels gebruiken die met de hand moeten worden gemaakt.

Op regels gebaseerde systemen: moet u ze negeren

Op basis van wat we tot nu toe hebben gezien, lijkt het erop dat machine learning de juiste keuze is, omdat het geen menselijke interactie nodig heeft en zichzelf leert van ‘gegevens uit het verleden’ om beslissingen te nemen.

Maar waar kunnen machine learning-systemen deze ‘gegevens uit het verleden’ vandaan halen, die cruciaal zijn voor het gedrag van het model? Een bestaand, op regels gebaseerd systeem kan hetzelfde bieden. De gegevens van het op regels gebaseerde systeem kunnen van pas komen bij het vergroten van de nauwkeurigheid van het machine learning-algoritme. Een nauwkeurigheid van 50% (wat hetzelfde is als het opgooien van munten) is iets wat je kunt verwachten van een machine learning-model dat gebruikmaakt van de regelengine-gegevens.

Regelgebaseerde systemen zijn echter gevoelig voor menselijke fouten en de integratie van regels kan tijdrovend en duur zijn. Complexe en te veel regels dragen ook bij aan prestatievermindering. Naarmate de regels strenger worden, is de kans groot dat u goede klanten misloopt.

Dat gezegd hebbende, op regels gebaseerde systemen kunnen beslissingen veel sneller uitvoeren met de juiste training. Ze zijn betrouwbaar. Regelgebaseerde systemen kunnen waardevol zijn wanneer exacte antwoorden vereist zijn en het aantal regels en opties relatief eenvoudig is. De uitvoer van een op regels gebaseerd systeem is voor een mens gemakkelijk te debuggen.

Is machinaal leren de weg vooruit?

Machine learning based underwriting

De verwachting die gepaard gaat met het gebruik van machine learning is dat het kunstmatige-intelligentiesystemen zijn die een hoge mate van nauwkeurigheid bieden in vergelijking met mensen. Deze notie leidt tot ‘machines die mensen vervangen’, ‘minder menselijke inspanning’, ’tijdsbesparing’, enzovoort. Maar het bouwen van een machine learning-systeem is geen grap, en een verkeerd gebouwd machine learning-systeem kan een organisatie op alle fronten duur komen te staan, inclusief kosten, inspanning en gebruik.

Hoewel machine learning-systemen aanzienlijke voordelen bieden ten opzichte van de mogelijkheden van een op regels gebaseerd systeem, zou het een vergissing zijn om machine learning te beschouwen als de wondermiddel voor al uw problemen.

Machine learning-modellen hebben tijd nodig om gegevens te begrijpen en ervan te leren. Een machine learning-model is zo goed als de gegevens die het opneemt (Lees onze blog over AI en gegevenskwaliteit), en het kan maanden duren voordat het systeem klaar is om regels te vervangen. Het heeft geen zin om van de ene op de andere dag “supernauwkeurigheid” van een machine learning-model te verwachten of te klagen dat het ondermaats presteert in vergelijking met uw huidige, op regels gebaseerde engine.

Conclusie

Een goede aanpak bij de overgang van op regels gebaseerde systemen naar machine learning is het parallel uitvoeren van regels met machine learning. Dit helpt om resultaten in de loop van de tijd te vergelijken en te beslissen wanneer machine learning moet worden vervangen in plaats van uw op regels gebaseerde systeem.

U kunt ook operationele regels en machine learning-systemen in tandem overwegen, wat gunstiger is voor de organisatie dan het volledig vervangen van regels. Machine learning is niet bedoeld om mensen te vervangen, maar om te vergroten waartoe mensen in staat zijn. Resultaten van het correct gebouwde machine learning-model kunnen menselijke capaciteiten imiteren, menselijke inspanningen volledig aanvullen en helpen bij het verhogen van hun productiviteit.

Hoewel de kracht van machine learning ligt in de hoeveelheid gegevens die het in realtime kan analyseren en volgen, ligt de kracht van een mens in het bieden van context en intuïtie bij het analyseren van uitbijters en andere randscenario’s.

Het is belangrijk om rekening te houden met de domeinexpertise die een mens inbrengt in het bouwen van regels die op regels gebaseerde systemen succesvol maken.

Referenties:

https://ieeexplore.ieee.org/document/8270278

https://blog.sift.com/2018/rules-vs-machine-learning-need-win/

https://www.quora.com/

https://www.datasciencecentral.com/profiles/blogs/explaining-data-science-to-a-non-data-scientist

DP_Vasu

Vasudevan Swaminathan

Bibliophile, Movie buff & a Passionate Storyteller. President @ Zuci systems