قواعد ریزشی ۲۰۲۱
Ripple-Down Rules 2021

الگوریتم‌های یادگیری ماشین، وعده‌های فوق‌العاده‌ای می‌دهند، اما واقعیت این است که موفقیت آن‌ها کاملاً به مناسب بودن داده‌های موجود بستگی دارد. این کتاب درباره‌ی قوانین ریزشی (Ripple-Down Rules – RDR)، یک تکنیک دستی جایگزین برای ساخت سریع سیستم‌های هوش مصنوعی است. با وجود انسان در حلقه، RDR قادر است به شکل بهتری با محدودیت‌های داده‌ها مقابله کند.

کتاب «قوانین ریزشی: جایگزینی برای یادگیری ماشین» با بررسی مشکلات مربوط به کیفیت داده‌ها و مشکلات رویکردهای مرسوم در ادغام دانش تخصصی انسان در سیستم‌های هوش مصنوعی آغاز می‌شود. این کتاب استدلال می‌کند که مشکلات مربوط به کسب دانش، ناشی از فرضیات فلسفی اشتباه در مورد دانش است. به عقیده نویسنده، افراد هرگز واقعاً توضیح نمی‌دهند که چگونه به یک نتیجه می‌رسند، بلکه با تمایز قائل شدن بین موارد در یک زمینه، نتیجه‌گیری خود را توجیه می‌کنند. RDR بر اساس این درک موقعیتی‌تر از دانش بنا شده است. ویژگی‌های اصلی یک رویکرد RDR توضیح داده شده‌اند و مثال‌های عملی مفصلی برای انواع مختلف RDR ارائه شده است که بر اساس نرم‌افزارهای رایگانی که برای این کتاب توسعه یافته‌اند، استوار هستند. این مثال‌ها اطمینان می‌دهند که توسعه‌دهندگان درکی روشنی از الگوریتم‌های ساده اما خلاف شهود RDR دارند تا بتوانند به آسانی سیستم‌های RDR خود را بسازند.

در کاربردهای صنعتی ثابت شده است که ساخت سیستم‌های RDR با شاید هزاران قانون، تنها یک یا دو دقیقه به ازای هر قانون زمان می‌برد. کاربردهای صنعتی RDR از تشخیص پزشکی تا پاکسازی داده‌ها و چت‌بات‌ها در خودروها را شامل می‌شود. RDR می‌تواند به تنهایی یا برای بهبود عملکرد یادگیری ماشین یا سایر روش‌ها مورد استفاده قرار گیرد.

Machine learning algorithms hold extraordinary promise, but the reality is that their success depends entirely on the suitability of the data available. This book is about Ripple-Down Rules (RDR), an alternative manual technique for rapidly building AI systems. With a human in the loop, RDR is much better able to deal with the limitations of data.

Ripple-Down Rules: The Alternative to Machine Learning starts by reviewing the problems with data quality and the problems with conventional approaches to incorporating expert human knowledge into AI systems. It suggests that problems with knowledge acquisition arise because of mistaken philosophical assumptions about knowledge. It argues people never really explain how they reach a conclusion, rather they justify their conclusion by differentiating between cases in a context. RDR is based on this more situated understanding of knowledge. The central features of a RDR approach are explained, and detailed worked examples are presented for different types of RDR, based on freely available software developed for this book. The examples ensure developers have a clear idea of the simple yet counter-intuitive RDR algorithms to easily build their own RDR systems.

It has been proven in industrial applications that it takes only a minute or two per rule to build RDR systems with perhaps thousands of rules. The industrial uses of RDR have ranged from medical diagnosis through data cleansing to chatbots in cars. RDR can be used on its own or to improve the performance of machine learning or other methods.