Rule-based v.s. AI方法比較

什麼是Rule-based方法?什麼是AI方法?

真實世界存在一個運作模式，使得給定某個輸入後就會得到輸出的結果。而Rule-based與AI方法就是企圖去建立一套描述方式，藉以逼近真實世界運作的模式，而一旦把這樣方式建立起來，就可對真實世界進行預測。

Rule-based方法是從真實世界當中，去觀察原理或現象，提出一些規則去描述真實世界的運作模式。

AI方法則是從數據資料讓AI自行學習找到輸入與輸出之關係。

Rule-based方法

因為Rule-based方法要由人為提出規則來描述，所以大家可了解到這樣方法的計算方式，由於方法是透明可見的，又稱為是白盒子的方法。

白盒子的方法而言，因為計算方式透明可見，所以當出現的問題的時候，可以特別把白盒子打開來做檢視。

AI方法

因為AI方法是從數據自動歸納出輸入與輸出的關係，所以並沒有具體規則，很難了解內部的運算方式，由於這樣的特性又稱為黑盒子方法。

黑盒子方法內部完全不可見，在出現問題時，就需要大量仰賴輸入與輸出之間的關係來做檢視。

Rule-based v.s. AI方法比較

Rule-based方法的優點有

1.少量數據即可建立方法:

因為是採用觀察或原理去提出規則，所以並不用有太多數據，就可以建立出方法，在一些很難收集到數據的應用上，是可以被當作一個相當好的預測方法。

2.白盒子計算方法，可明確了解計算方式，評估風險:

因為是白盒子計算方式，所以可以評估到底這樣的方法應用在真實世界上會有怎樣的問題產生，會有比較明確的把握度。

它的缺點有

1.大量數據對於增加方法精準度有限:

當今天有一個應用是可以大量收集到數據的時候，因為大量數據對於規則的幫助也有限，所以難以用數據來為方法來做加值提升的效果。

2.針對很難提出規則的應用，就無法使用:

甚至在一些應用上，人為根本很難提出規則，就無法使用。

AI方法的優點有

1.大量數據可增加方法精準度:

當今天有應用是可大量收集到數據的時候，應用AI方法就可應用這些大量數據來提升AI計算的精準度。

2.針對很難提出規則的應用，AI仍然能提出描述方法，因此，又稱為賦能技術:

針對難以提出規則的應用，AI也可自動找出輸入與輸出之間的關係。

它的缺點有

1.需要大量數據建立方法:

今天如果應用是難以收集到數據，就未必是一個很好的應用方法。

2.黑盒子計算方法，難以了解計算方式，風險較難評估:

因為看不到AI內部的計算方式，所以也很難評估AI在各種情境下的使用的穩定度，有可能AI在某些情境會無法表現不佳。

結論

綜合以上所述，Rule-based與AI方法各有其優缺點，需要針對各個應用場景，加以審視評估適合的方法來做為應用。甚至有些情境下，還可同時結合兩種方法來做描述，互相補足兩者不同的地方，在場域應用上發揮最大成效。

影片介紹

[參考資料]:

1.快速反應機制─類神經網路

2.機器學習與人工神經網路(二)：深度學習(Deep Learning)

3.機器學習的衰頹興盛：從類神經網路到淺層學習

[相關文章]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹

4.類神經網路—前向傳播法

5.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法

6.類神經網路—反向傳播法(二): 淺談梯度

7.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

8.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗

9.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

10.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感

[延伸閱讀]:

1.卷積類神經網路(Convolution neural network,CNN)介紹

2.遞迴類神經網路(Recurrent neural network,RNN)介紹

3.淺談最近非常火紅的ChatGPT背後可能原理機制為何?