Các công cụ để làm việc với bản thể luận có nhiều điểm chung với các thuật toán học máy, nhưng có một điểm khác biệt chính: mô hình học máy dùng để dự đoán, công cụ bản thể luận dùng để suy luận.
Các mô hình học máy phân tích các tập dữ liệu lớn và sử dụng chúng để đưa ra dự đoán về các đối tượng mới. Ví dụ: một mô hình học máy có thể xem xét 100 thư điện tử độc hại và làm nổi bật các đặc điểm cụ thể mà chúng chia sẻ. Sau đó, nếu mô hình nhận ra một số đặc điểm đó trong một thư điện tử mới, nó có thể xác định rằng thư đó cũng độc hại.
Một bản thể luận cũng đưa ra số liệu trong phân tích dữ liệu, nhưng thay vì dẫn đến các dự đoán, nó chỉ ra thông tin xuất phát một cách logic từ các tham số được cung cấp. Nó không học hỏi hoặc rút ra kinh nghiệm trước đó để phân tích thông tin. Ví dụ, nếu chúng ta chỉ ra trong bản thể luận rằng thư điện tử A là lừa đảo và tất cả các thư điện tử lừa đảo đều độc hại, sau đó nói rằng thư điện tử B là một thư lừa đảo, thì bản thể luận sẽ kết luận rằng thư điện tử B là độc hại. Nếu chúng tôi bắt đầu phân tích thư điện tử C nhưng không cung cấp bất kỳ đặc điểm nào thì bản thể luận sẽ không đưa ra bất kỳ kết luận nào.
Bản thể luận và học máy có thể bổ sung cho nhau. Ví dụ, các bản thể luận có thể tối ưu hóa và tăng tốc các mô hình học máy. Chúng làm cho quá trình đào tạo các mô hình trở nên dễ dàng hơn nhiều bằng cách mô phỏng lập luận logic và có thể tự động phân loại và liên kết thông tin. Và việc sử dụng các tiên đề bản thể luận tiết kiệm thời gian – các quy tắc mô tả mối quan hệ giữa các khái niệm – có thể thu hẹp tập đầu vào cho mô hình học máy, tăng tốc khả năng tìm ra câu trả lời của nó.
Nguồn: Kaspersky Official Blog
Học ở mọi hình thức 