سامانه های قاعده پایه:(rule-base)
سامانه های قاعده پایه برای پروژه ها و برنامه هایی که به مقدار کمی داده و قوانین ساده و سرراست نیاز
دارند، کاملا ًمناسب هستند.این را به عنوان یک سیستم مناسب برای هدف در نظر بگیرید: سیستمی که
در پارامترهای از پیش تعیین شده خود بسیار مؤثر است و خارج از آنها بسیار بی فایده است. بنابراین،
سامانه های قاعده پایه برای فرآیندهای تکراری که نیاز به تصمیم گیری انسانی کمی دارند، مانند تجزیه و
تحلیل خطا، مسیریابی ایمیل با استفاده از محرکها، و جستجوی اساسی و بسیاری دیگر، عالی هستند.
اگر به سرعت به اطلاعات نیاز دارید، سامانه های قاعده پایه عالی هستند، زیرا پارامترهای محدود
سیستمها امکان نتایج سریع را می دهد. علاوه بر این، سامانه های قاعده پایه به طور باورنکردنی عاقلانه
و کامل دیده می شوند، به همین دلیل است که اغلب در فرآیندهایی که نمیتوان خطاها را تحمل کرد،
مانند تشخیص پزشکی و پردازش مالی استفاده میشود.
سیستم های یادگیری ماشین:
از سوی دیگر، سیستمهای MLمعمولا ًزمانی استفاده می شوند که حجم زیادی از سوابق داده های مربوطه
برای پیش بینی دقیق تر در دسترس باشد. برای هر فرآیندی که چندین عامل، موقعیت، نتایج بالقوه
متعدد دارد، سیستمهای MLبهترین گزینه هستند.
سیستمهای MLزمانی استفاده می شوند که از شما خواسته می شود یک نتیجه را پیش بینی کنید، اما
لزوما ً نمی دانید چگونه این کار را انجام دهید. برای مثال، سیستم های MLبرای صلاحیتهای سرنخ
فروش و پاسخهای خودکار پشتیبانی مشتری - هر موقعیتی که دارای چند متغیر است، عالی هستند. به
همین دلیل، سیستمهای MLبرای محیط هایی که به سرعت در حال تغییر هستند مانند توصیه های
تجارت الکترونیک و پیش بینی کلی مناسبتر هستند. پیشنهادات خودکار یوتیوب و نتفلیکس مثال خوبی
از این موضوع هستند، زیرا الگوریتمها از فعالیت شما یاد می گیرند و آموزش می بینند تا اولویتهای شما
را ارزیابی کنند و محتوا را بر اساس ترجیحات شما پیشنهاد دهند.
بهترین از هر دو
برخی از سیستم های موجود هستند که سیستم های هوش مصنوعی قاعده پایه را با سیستم های MLدر
شرایط «بهترین هر دو دنیا» ترکیب می کنند. با ترکیب این دو رویکرد، کسب وکارها می توانند کمبود هر
سیستم را جبران کنند و سیستم کاملی را برای آنها فراهم کنند که هم %100دقیق و هم قوی است.
این به شکل سیستم های یادگیری ماشینی قاعده پایه (RBML )است که قادر به شناسایی و تطبیق
مجموعه قوانین خود هستند. ویژگی تعیین کننده این سیستم ها توانایی آنها در شناسایی و استفاده از
مجموعه ای از قوانین رابطه ای است که به طور جمعی دانش گرفته شده توسط سیستم را نشان می
دهد. این کار را با استفاده از الگوریتم یادگیری خود و تکیه بر یک پایگاه دانش انجام می دهد، به این
معنی که برای تعریف عبارات «اگر-آنگاه» نیازی به کدگذاری یا مداخله انسانی ندارد.
خلاصه
هر دو سیستم قاعده پایه و سیستم های MLدارای نقاط قوت و ضعف مرتبط با خود هستند. اما این
موارد را فقط می توان با نیازهای پروژه شما تعیین کرد. اگر به دقت در یک پارامتر چارچوب نسبتا ًکوچک
نیاز دارید، سامانه های قاعده پایه برای شما مناسب هستند. از طرف دیگر، اگر به حجم زیادی از داده
ها دسترسی دارید و نیاز به پیش بینی چیزی دارید، سیستم های MLبهترین گزینه برای شما هستند.
با این حال، اگر نیازهای تجاری دارید که به دقت و پردازش داده های بزرگ برای اطلاع رسانی به پیش
بینی ها نیاز دارند، ممکن است رویکرد ترکیبی همان چیزی باشد که به دنبال آن هستید.
ترجمه شده از سایت زیر:
https://wearebrain.com/blog/ai-data-science/rule-based-ai-vs-machine-learning-whats-
/the-difference
