尽管最先进的人工智能系统显示出某些限制，但无论它们是自动驾驶汽车而努力解释异常环境，还是由于缺乏可靠性，另一种方法，更谨慎的方法而撤回的医疗工具，引起了人们的新兴趣： 概率编程。该范式不是基于从数据中进行大量学习，而是基于世界的明确建模，其不确定性和因果关系。
与深度神经网络（主要是通过统计相关性学习的情况下，概率模型都可以直接描述事件，原因和效果之间的联系，这是有可能的。在机器学习的经典方法寻求重现观察到的原因的地方，概率计划会提出假设，与观察相遇并调整对现象的理解。
这两所学校之间的差异本质上是结构性的。深度学习在预测方面表现出色，但其推理通常仍然不透明。相反，概率模型可以产生与观察相兼容的几种解释，并具有一定程度的置信度。例如，在地震监测的情况下，这种类型的模型可以区分不同的原因，自然地震，工业爆炸，核试验，同时证明其假设是合理的。该方法是作为核试验禁令条约验证系统的一部分实施的，该计划在几十分钟内制定的计划使得有可能达到以前需要数十年人类专业知识的分析水平。
在医学领域，这种很少的数据推理能力也很宝贵。尽管神经网络需要大量的图像库来学习检测黑色素瘤等病理，但概率模型可以根据存在于临床知识的临床知识的观察值来工作。他不满足于分类，他评估，明确，并且可以认识到不确定性仍然存在的情况。
我们在物流中发现了类似的用例。当危险影响供应链时，不仅是报告延迟的问题，而且是理解传播机制的问题，还评估了即将来临的情况并建议采取纠正措施。概率模型在这里可用于探索几种可能的轨迹，考虑到复杂的依赖性，有时未发表的依赖性。
这些模型并不试图给人留下深刻的印象。他们既没有产生图像，文本或壮观的内容。它们的力量在于其他地方：他们有能力建模，解释，指导决定。它们不能取代深度学习系统，而是填补了一个差距，结构化的理解和明确的不确定性，通常纯粹是纯粹的统计方法。
如今，概率编程仍然是一个利基领域。在技术层面上，直观不太直观，越来越苛刻，在用户界面和主导平台中，它仍然很少强调。但是，随着期望的发展和生成AI的限制变得更加明显，这种方法可能会获得相关性，尤其是在严格和鲁棒性至关重要的部门中：健康，能源，财务，安全。
基准： 历史， 用途 和 申请 的 概率 编程
历史 在 短的
-
- 年 1990年 –2000 :: 发展 的 型号 图形（网络 贝叶斯人， 唔）。 方法 停留 被限制 到 实验室 学术的。
- 2008 :: 发射 的 语言 教会 经过 这 开始， 第一的 试图 的 语言 概率 通才。
- 2012 –2015 :: 出现 的 语言 更多的 可访问 作为 斯坦 （（哥伦比亚 大学）， PYMC3，，，， Webppl。
- 2017年 –2020 :: 采用 工业的 和 pyro （（优步 人工智能 实验室）， 爱德华 （（谷歌 脑）， 张量 可能性。
- 从 2021 :: 爬 在 力量 的 numpyro，，，， 根据 在 贾克斯， 为了 的 型号 贝叶斯 迅速的 和 差异化。
演员 和 公司 先锋
-
- 优步 用过的 pyro 在 他的 型号 的 预报 的 要求， 的 定价 动态的 和 的 规划 后勤。
- 谷歌 有 发达 爱德华 然后 那里 融合的 在 张量 可能性 为了 那里 造型 不确定。
- 微软 有 设计 推断。网，，，， 用过的 尤其 在 他的 产品 办公室 （作为 前景） 为了 推断 自动地 的 优先事项。
- NASA 是基于的 在 的 型号 概率主义者 为了 预料 这 失败 在 这 系统 嵌入。
- 政府 和 机构 :: 这 CTBTO （（理解 核-测试-禁止 条约 组织） 用途 的 型号 概率主义者 为了 分析 的 信号 地震。
例子 具体的 应用
-
- 检测 测试 核 :: 一个 模型 概率 有 夏天 用过的 为了 区分 在 几个 分钟 一个 地震 一个 散文 地下， 超越 的 方法 经典的 用过的 期间 的 几十年。
- 药品 个性化 :: 的 型号 作为 Bayesrx 是 测试 为了 估计 这 反应 个人 有 一些 治疗 在 肿瘤学。
- 诊断 的 分解 在 行业 :: 一些 平台 的 维护 预测性 模型 这 关系 因果 之间 信号 传感器 和 事件 技术的。
- 预报 的 破坏 后勤 :: 的 系统 概率主义者 是 用过的 为了 模拟 的 链 供应 以下 不确定 和 提议 的 计划 的 弹力。
- 安全 计算机科学 :: 为了 探测 的 行为 异常 在 的 网络， 一些 siem（安全 信息 和 事件 管理） 整合 的 型号 贝叶斯 分层。
