Reading Time: 15 mins

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

Het raadsel van het gebruik van op regels gebaseerde vs. Machine Learning-systemen

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

Wilt u meer weten over de voordelen van op regels gebaseerde systemen ? of de beperkingen van machine learning (ML)-systemen? Of misschien jijbent op zoek naar een handleiding over hoe u deze twee concepten in uw bedrijf kunt integreren. Zo ja, dan jijben hier aan het goede adres.

Machinaal leren? Zelflerende systemen? Klinkt goed. Maar tegelijkertijd beangstigend. Je blijft vragen: wat zijn op regels gebaseerde en machine learning of zelflerende systemen? En – is er een betere keuze voor mijn project of toepassing? Je bent niet alleen. Er is zoveel hype over regel versus een machine dat het moeilijk kan zijn om te onderscheiden wat waar, relevant, nuttig en zeker hype is.

Maar is de adoptie gebaseerd op werkelijke behoeften of het omarmen van state-of-the-art technologie alleen maar omwille van het? Wat 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?

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

Oké, laten we beginnen!

Op regels gebaseerde vs. Machine Learning-systemen

Op regels gebaseerde vs. Machine Learning-systemen

Het is een grote beslissing die elk bedrijf moet nemen. Wanneer u kiest hoe u uw zakelijke problemen wilt automatiseren, kunt u gebruikmaken van op regels gebaseerde systemen of machine learning-systemen. Elk biedt zijn eigen sterke en zwakke punten.

De keuze hangt af van het type proces dat u wilt automatiseren en uw uiteindelijke doel.

Laten we eerst deze twee systemen beter begrijpen, zullen we?

Inleiding tot op regels gebaseerde systemen

Regelgebaseerde systemen zijn computerprogramma’s die als-dan-regels gebruiken om beslissingen te nemen en taken uit te voeren. Ze bestaan al tientallen jaren en hebben op vele manieren een revolutie teweeggebracht in de manier waarop bedrijven werken. Daarom is het misschien moeilijk te geloven dat we nog steeds sterk afhankelijk zijn van op regels gebaseerde systemen om beslissingen te nemen, zelfs met alle vooruitgang in machine learning.

Hoewel op regels gebaseerde systemen het voor de hand liggende antwoord op een probleem lijken, lossen ze het probleem niet altijd optimaal op. Dit komt omdat ze slechts zo goed zijn als de kwaliteit van hun regels, die niet altijd nauwkeurig of volledig zijn. Een van de belangrijkste redenen waarom op regels gebaseerde systemen zo populair zijn, is dat wanneer u een heel specifiek probleem hebt met een klein aantal opties, op regels gebaseerde systemen zeer effectief en efficiënt kunnen zijn.

Wat is een op regels gebaseerd systeem?

Regelgebaseerde systemen zijn een populaire manier om gegevens te verwerken. Ze gebruiken een als-dit-dan-dat structuur om bekende informatie op te nemen, te verwerken en een resultaat te ontwikkelen. Deze systemen zijn snel en eenvoudig te bouwen, maar omdat ze afhankelijk zijn van hardgecodeerde regels en gevolgtrekkingen, zijn ze zelden nauwkeurig buiten hun expertisedomein.

Wanneer u het systeem programmeert om beslissingen te nemen op basis van een bepaalde set regels, worden ze op regels gebaseerde systemen genoemd. Menselijke experts bouwen op regels gebaseerde systemen met diepgaande domeinkennis om de best mogelijke output te garanderen. Daarom zijn ze expertgestuurde systemen.

Wanneer een bank bijvoorbeeld een aanvraag voor een lening van iemand ontvangt, kan de bank een eenvoudige regel gebruiken zoals “Als de leeftijd van de aanvrager lager is dan< = dan 50 en zijn inkomen is> = $60000 per jaar”, kan de bank de lening goedkeuren. Dit is natuurlijk een simpele regel, en op regels gebaseerde systemen kunnen worden ingebouwd in veel complexere regels om de aanvrager te kwalificeren en te beslissen of hij het verzoek goedkeurt of afwijst.

Zoals hierboven vermeld, zijn deze regels opgesteld door mensen die domeinexperts zijn. De zakelijke kennis die ze inbrengen bij het maken van deze regels is uiterst cruciaal voor het systeem om input te accepteren en dienovereenkomstig output te leveren.

Voordelen van op regels gebaseerde systemen

Regelgebaseerde systemen zijn veel gemakkelijker te begrijpen, aan te passen en te onderhouden dan machine learning-systemen. In de meeste gevallen worden de regels opgeslagen in een database, die zonder enige programmering kan worden gewijzigd door een bedrijfsanalist of IT-professional.

Als u bijvoorbeeld wilt dat uw chatbot een kortingsbon aanbiedt aan klanten die zeggen: “Ik wil mijn bestelling annuleren”, kunt u die regel gewoon aan de systeemdatabase toevoegen zonder een code te hoeven schrijven. Laten we eens kijken naar enkele voor- en nadelen van op regels gebaseerde systemen.

1. Regelgebaseerde systemen zijn gemakkelijk te begrijpen en te interpreteren:

Dit staat in schril contrast met een machine learning-systeem dat door de ene persoon kan worden geprogrammeerd en door een ander kan worden geïmplementeerd, die niet noodzakelijk de details begrijpt van hoe het machine learning-systeem werkt.

2. Snelle implementatie:

Een op regels gebaseerd systeem kan relatief snel worden geïmplementeerd in vergelijking met een machine learning-systeem, dat maanden kan duren om te bouwen, testen en implementeren.

3. Eenvoudige wijziging:

Een op regels gebaseerd systeem kan snel worden aangepast, omdat de wijzigingen alleen wijzigingen in de regels zelf vereisen.

4. Duurzaam van aard:

Regelgebaseerde systemen zijn duurzamer; Ze veranderen de “conditionering” van het systeem niet door veranderingen in de omgeving.

5. Compatibel met ML/AI:

In combinatie met machine learning en AI-methoden kunnen op regels gebaseerde systemen hun efficiëntie en effectiviteit vergroten door verschillende benaderingen te combineren.

Beperkingen van op regels gebaseerde systemen

Het soort problemen dat op regels gebaseerde systemen oplossen, is niet verdwenen, maar is overschaduwd door andere soorten problemen. De belangrijkste zijn als volgt:

1. Problemen met een groot aantal variabelen:

Wanneer honderden of duizenden variabelen betrokken zijn bij een beslissing, kan het voor mensen moeilijk zijn om een uitputtende reeks regels te formuleren. Dit is waar machine learning uitblinkt, omdat het al die variabelen gemakkelijk kan opnemen zonder onpraktisch te worden.

2. Problemen met veel beperkingen:

Als uw probleem veel uitzonderingen en uitzonderlijke gevallen met zich meebrengt die moeten worden gevolgd, kunt u problemen hebben met het schrijven van regels die ze allemaal dekken. Machine learning gaat veel beter om met beperkingen en maakt minder fouten dan op regels gebaseerde systemen.

3. Beperkte intelligentie:

Het vermogen om beslissingen te nemen wordt beperkt door wat we expliciet hebben geprogrammeerd. Daarom wordt ons vermogen om intelligent gedrag te bereiken beperkt door iets dat op het moment van ontwerpen niet volledig bekend is. Als we vooraf niet weten welke regels moeten worden gemaakt, kunnen ze niet in het systeem worden geschreven.

Top 10 datawetenschapstrends voor 2022

Inleiding tot machine learning en zelflerende systemen

In het afgelopen decennium hebben we een overgang gezien naar systemen die machine learning-algoritmen gebruiken om beslissingen te nemen. Oorspronkelijk was het gebruik van machine learning beperkt tot toepassingen als beeldherkenning en spraakherkenning, maar het is inmiddels uitgegroeid tot allerlei digitale systemen.

Maar wat is een machine learning systeem of een zelflerend systeem? Blijf lezen.

Wat is een Machine Learning-systeem? (of Zelflerend systeem)

Machine learning-systemen onderzoeken grote hoeveelheden gegevens uit het verleden en nemen beslissingen op basis van hun kennis van de gegevens. Bijvoorbeeld, in het voorbeeld van de leningaanvraag hierboven, a machine learning systeem kan zien dat een lening aanvrager wiens leeftijd is< =50 en inkomen> = $60000 kan worden goedgekeurd op basis van het enorme aantal gegevens van sollicitanten uit het verleden.

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

Het grootste verschil tussen op regels gebaseerde systemen en zelflerende systemen is dat mensen handmatig op regels gebaseerde systemen programmeren, terwijl machines zelflerende systemen automatisch trainen. Met andere woorden, zelflerende systemen leren van ervaring in plaats van expliciet door mensen te worden verteld wat ze moeten doen.

Zelflerende systemen vertrouwen op machine learning-algoritmen om patronen uit historische gegevens te identificeren. Het systeem weet niet expliciet welke features essentieel zijn, maar kan leren van data en toekomstig gedrag voorspellen op basis van historische informatie. In dit geval, als ons doel was om frequente reizigers te identificeren, zouden we het model trainen met behulp van historische gegevens (bijv. demografische informatie) die kenmerken bevatten zoals leeftijd, geslacht, opleidingsniveau en aankoopgeschiedenis. Op basis van deze kenmerken kunnen we labels maken zoals ‘frequente reiziger’ of ‘occasionele reiziger’ en het model dienovereenkomstig trainen.

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.

Voordelen van machine learning-systeem

Machine learning-systemen zijn geweldig voor problemen waarbij het moeilijk is om regels te schrijven of algoritmen te bedenken. Laten we eens kijken naar enkele voor- en nadelen van machine learning-systemen.

1. Zelflerende systemen:

Machine learning-systemen kunnen leren van gegevens uit het verleden en zich zelf aanpassen aan nieuwe situaties, terwijl op regels gebaseerde systemen menselijke tussenkomst vereisen voor eventuele wijzigingen.

2. Omgaan met complexere problemen:

Machine learning is uitstekend in het vinden van patronen in data, maar het kan ook patronen vinden die niet bestaan. Dit is een groot probleem voor bedrijven die afhankelijk zijn van machine learning om frauduleuze transacties of verdachte activiteiten te identificeren. Dergelijke detectiepercentages zijn niet nauwkeurig genoeg voor de modellen die in productie worden gebruikt.

3. Beter presteren met minder menselijke interactie dan op regels gebaseerde systemen:

Het grote voordeel is dat het machine learning-systeem niet expliciet hoeft te worden geprogrammeerd voor het uitvoeren van een taak zoals een op regels gebaseerd systeem.

4. Aanpassen in de tijd (via continu leren) aan veranderingen in data en omgeving:

Een machine-learningsysteem zal zich aanpassen en evolueren naarmate nieuwe gegevens beschikbaar komen. Het vereist geen menselijke tussenkomst om de regels die het gebruikt bij te werken of te verfijnen. En omdat het voortdurend leert van nieuwe gegevens, verbetert de nauwkeurigheid ervan in de loop van de tijd.

Beperkingen van het machine-learningsysteem

Voordat u te veel tijd besteedt aan het bouwen van een machine-learningsysteem, zijn er enkele beperkingen waar u rekening mee moet houden:

1) Machine learning-systemen moeten een groot aantal inputs zien voordat ze zelf output nauwkeurig kunnen reproduceren. Als uw dataset klein is of niet veel verschillende voorbeelden bevat, zal het niet veel helpen bij het trainen van uw systeem. In dit geval is er niet genoeg informatie om van te leren.

2) Machine learning-systemen kunnen alleen leren van gegevens die ze eerder hebben gezien. Een datamodellering die is getraind op foto’s van katten zal waarschijnlijk niet zo goed foto’s van honden herkennen – zelfs als ze erg op elkaar lijken. Machine learning-modellen weten alleen wat je ze leert; er is geen plaats voor menselijke intuïtie. Als je er een traint op oude afbeeldingen van honden en katten, en er dan een laat zien met beide op dezelfde foto, dan is er geen garantie dat het beide onderwerpen op de afbeelding correct zal identificeren.

3) Machine learning-systemen zijn niet intelligent in de zin dat mensen dat wel zijn. Ze hebben geen gezond verstand en ze “begrijpen” op geen enkele zinvolle manier wat ze doen. Ze kunnen zich niet aanpassen aan nieuwe situaties of problemen oplossen waarvoor ze niet zijn opgeleid.

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 dat u kunt verwachten van een machine learning-model dat gebruikmaakt van de gegevens van de rule engine.

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 machine learning de weg vooruit?

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. Dit idee leidt tot ‘machines die mensen vervangen’, ‘minder menselijke inspanning’, ’tijdwinst’, 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 het 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, 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.

Gevolgtrekking

Een goede benadering bij de overgang van op regels gebaseerde systemen naar machine learning is om regels parallel aan machine learning uit te voeren. 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 beschouwen, wat voordeliger zou zijn voor de organisatie dan regels volledig te vervangen. 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.

We hopen dat je dit artikel leuk vindt en leert hoe machine learning een intrinsiek onderdeel is van data science! Boek een ontdekkingsservice met onze data-architecten vandaag en een voorsprong op de concurrentie. Maak het eenvoudig en maak het snel.

Vasudevan Swaminathan

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