Primero intentamos establecer la naturaleza del problema que intentamos resolver con estos métodos. Si un problema es sencillo, Polinómico o NP Completo, tenemos listos para conectar algoritmos que podrían proporcionar una respuesta determinista, por simple recombinación de los axiomas a lo largo de reglas lógicas. Sin embargo, si ese no es el caso, tendríamos que confiar en un método de razonamiento, en el que intentamos tratar el problema como heterogéneo y conectarlo a una red, los nodos son evaluaciones y los bordes son vías entre los componentes. .
En cualquier tipo de razonamiento basado en la red, no razonamos deductivamente, utilizando generalizaciones y combinaciones abstractas, de acuerdo con las reglas lógicas en un flujo lineal, sino que trabajamos a través del problema basado en la propagación del razonamiento en diferentes direcciones, de modo que resolvemos El problema de un nodo a la vez, abierto a mejoras en el descubrimiento de nuevos hechos relacionados con cualquier nodo en el futuro. Ahora veamos cómo cada una de estas técnicas aborda este método de resolución de problemas a su manera.
Red neuronal:
la red neuronal es una caja negra, donde se cree (nunca se pudo verificar desde fuera del sistema) que las conexiones entre los nodos simples se forman y se enfatizan mediante repetidos refuerzos externos. Aborda el problema en un paradigma Connectionsitic . Es probable que el problema esté resuelto, pero hay poco en términos de explicabilidad. La red neuronal ahora se usa ampliamente debido a su capacidad para producir resultados rápidos, si se pasa por alto el problema de la explicabilidad.
Red Bayesiana:
La Red Bayesiana es un gráfico acíclico dirigido, que se parece más al diagrama de flujo, solo que el diagrama de flujo puede tener bucles cíclicos. La red bayesiana, a diferencia del diagrama de flujo, puede tener múltiples puntos de inicio. Básicamente rastrea la propagación de eventos a través de múltiples puntos ambiguos, donde el evento diverge probabilísticamente entre las rutas. Obviamente, en cualquier punto dado de la red, la probabilidad de que ese nodo sea visitado depende de la probabilidad conjunta de los nodos anteriores. La red bayesiana es diferente de la red neuronal en que es un razonamiento explícito, aunque sea probabilístico y, por lo tanto, podría tener múltiples estados estables basados en cada paso que se revisa y modifica dentro de los valores legales, al igual que un algoritmo. Es una forma sólida de razonar probabilísticamente, pero implica la codificación de probabilidades,
Árboles de decisión:
El árbol de decisión es nuevamente una red, que se parece más a un diagrama de flujo, que está más cerca de la red bayesiana que la red neuronal. Cada nodo tiene más inteligencia que la red neuronal y la ramificación se puede decidir mediante evaluaciones matemáticas o probabilísticas. Las decisiones son evaluaciones sencillas basadas en distribuciones de frecuencia de eventos probables, donde la decisión es probabilística. Sin embargo, en las redes bayesianas, la decisión se basa en la distribución de 'evidencia' que apunta a que ha ocurrido un evento, en lugar de la observación directa del evento en sí.
Un ejemplo
Por ejemplo, si tuviéramos que predecir el movimiento de un tigre devorador de hombres a través de algunas aldeas del Himalaya que se encuentra en el borde de una reserva de tigres, podríamos modelarlo en cualquier enfoque de la siguiente manera:
En un árbol de decisión, nos basaríamos en estimaciones de expertos para determinar si un tigre podría elegir entre campos abiertos o ríos en este último. En una red bayesiana, rastreamos al tigre por marcas de pug, pero razonamos de una manera que reconoce que estas marcas de pug podrían haber sido las de algún otro tigre de tamaño similar que patrulla habitualmente su territorio. Si vamos a usar una red neuronal, tendríamos que entrenar el modelo repetidamente usando varias peculiaridades de comportamiento del tigre en general, como su preferencia por nadar, preferencia de áreas cubiertas sobre áreas abiertas, evitar las habituaciones humanas para permitir que la red razone en general sobre el curso que podría tomar el tigre.