Entonces, en lugar de dar una respuesta a esta pregunta, ¡voy a dar tres! De hecho, se puede llegar a la verdadera respuesta tratando mentalmente de combinar estos tres, o eligiendo la que sea más relevante para el problema que está tratando de resolver.
Respuesta 1: no hay diferencia real
“Basada en reglas” y “Basada en ML” son palabras de moda y nada más. Cada modelo que hace predicciones o decisiones lo hace de acuerdo con algunas reglas, ya sea que el creador del modelo pueda articular completamente cuáles son esas reglas y cuáles son sus consecuencias.
- ¿Las bases de datos noSQL o relacionales (SQL) son mejores para las startups de finTech?
- ¿Qué técnicas de software se utilizan para reducir la latencia y sus efectos, en juegos como shooters en primera persona y MMO?
- ¿Cuál de los siguientes es desconocido?
- ¿Cómo se ven otros lenguajes humanos en la abstracción visual (en binario)?
- ¿Qué tipo de aprendizaje automático es este?
Los modelos de “aprendizaje automático” son simplemente modelos “basados en reglas” donde las reglas son más complejas. Si un modelo simple funciona, la navaja de Occam nos dice que lo usemos. Entonces, si todo lo que necesita para un problema es basado en reglas, vaya con eso.
Respuesta 2: los modelos ML usan datos
Algunos modelos no tienen en cuenta los datos y, por lo tanto, no se puede decir que hagan ningún “aprendizaje”. Una vez que el diseñador termina con el modelo, sus predicciones y decisiones se fijan para siempre. Puede llamarlos “basados en reglas” si lo desea, y guardar el término “ML” para los modelos cuyas predicciones cambian cuando les da más datos.
Tenga en cuenta que aprender datos dados no es * siempre * necesario: hay algunos problemas que son inherentemente “sin datos”, problemas donde los datos pasados no se aplican y sus predicciones se basan principalmente en la intuición. En estas situaciones, en general se prefieren los modelos basados en reglas, porque son más simples de adaptar para adaptarse a las intuiciones. Sin embargo, nuestra empresa está trabajando para cambiar esto.
Respuesta 3: los modelos de ML tienen más probabilidades de ser aleatorios
Esta no es una regla perfecta, como se advirtió en la introducción anterior. Sin embargo, en general, una gran cantidad de modelos de ML generan predicciones y toman decisiones de una manera fundamentalmente aleatoria, lo que significa que pueden dar resultados diferentes si se vuelven a ejecutar con los mismos datos.
Esto no necesariamente los hace más poderosos o buenos para aprender per se. Hay muchos algoritmos ML poderosos en los que el proceso de aprendizaje no es técnicamente aleatorio (aunque también es necesario darse cuenta de que todo el aprendizaje es realmente aleatorio en algún sentido). Hay muchos modelos aleatorios que se ajustan mejor a la categoría “basada en reglas”. Pero, en general, si una tarea requiere predecir cosas que son altamente aleatorias utilizando datos, el algoritmo que hace estas predicciones probablemente debería llamarse ML.
Esto tiende a hacer que el resultado de procedimientos complejos de LD sea difícil de probar correcto o incluso comprender en algunos casos. Los sistemas basados en reglas son mucho más fáciles de construir y verificar, y querrá usarlos para asegurarse de que el modelo ML realmente le brinde una mejora con respecto a estos métodos.