Neurosimboliese KI: 'n Masjien wat uiteindelik beide logika en leer kan hanteer

• Author:
• Author naam

  Quantumrun Foresight
• April 13, 2023

Masjienleer (ML) was nog altyd 'n belowende tegnologie met sy unieke uitdagings, maar navorsers is op soek na 'n logika-gebaseerde stelsel wat verder gaan as groot data. Logika-gebaseerde stelsels is ontwerp om met simboliese voorstellings en redenering te werk, wat 'n meer deursigtige en interpreteerbare manier kan bied om 'n sisteem se besluitnemingsproses te verstaan. 

Neurosimboliese KI konteks

Neurosimboliese KI (ook saamgestelde KI genoem) kombineer twee takke van kunsmatige intelligensie (KI). Eerstens is die simboliese KI, wat simbole gebruik om verhoudings en reëls (dws die kleur en vorm van 'n voorwerp) te verstaan. Vir simboliese KI om te werk, moet die kennisbasis presies, gedetailleerd en volledig wees. Hierdie vereiste beteken dat dit nie vanself kan leer nie en afhanklik is van menslike kundigheid om die kennisbasis aan te hou bywerk. 

Die ander komponent van neuro-simboliese KI is diep neurale netwerke (diep nette) of diep leer (DL). Hierdie tegnologie gebruik talle lae nodusse wat die menslike brein se neurone naboots om self te leer om groot datastelle te verwerk. Diep nette kan byvoorbeeld deur verskillende beelde van katte en honde gaan om akkuraat te identifiseer wat is wat, en hulle verbeter mettertyd. Wat diepnette egter nie kan doen nie, is om komplekse verhoudings te verwerk. Deur simboliese KI en diep nette te kombineer, gebruik navorsers DL om groot hoeveelhede data in die kennisbasis in te gooi, waarna simboliese KI reëls en verwantskappe kan aflei of identifiseer. Hierdie kombinasie maak voorsiening vir meer doeltreffende en akkurate kennisontdekking en besluitneming.

Nog 'n gebied wat neuro-simboliese KI aanspreek, is deepnet se duur opleidingsproses. Boonop kan diep nette sensitief wees vir klein insetdataveranderings, wat lei tot klassifikasiefoute. Hulle sukkel ook met abstrakte redenasie en beantwoording van vrae sonder veel opleidingsdata. Verder is die interne werking van hierdie netwerke kompleks en moeilik vir mense om te verstaan, wat dit 'n uitdaging maak om die redenasie agter hul voorspellings te interpreteer.

Ontwrigtende impak

Navorsers van Stanford Universiteit het aanvanklike studies van saamgestelde KI uitgevoer met behulp van 100,000 3 beelde van basiese 98.9D-vorms (vierkante, sfere, silinders, ens.) Hulle het toe verskillende vrae gebruik om die baster op te lei om data te verwerk en verwantskappe af te lei (bv., is die blokkies rooi? ). Hulle het gevind dat neuro-simboliese KI hierdie vrae 10 persent van die tyd korrek kon beantwoord. Daarbenewens het die baster slegs XNUMX persent van opleidingsdata benodig om oplossings te ontwikkel. 

Aangesien simbole of reëls diep nette beheer, kan navorsers maklik sien hoe hulle "leer" en waar ineenstortings plaasvind. Voorheen was dit een van die swakhede van diep nette, die onvermoë om opgespoor te word as gevolg van lae en lae komplekse kodes en algoritmes. Neurosimboliese KI word in selfbesturende voertuie getoets om voorwerpe op die pad en enige veranderinge in die omgewing te herken. Dit word dan opgelei om gepas op hierdie eksterne faktore te reageer. 

Daar is egter verskillende menings oor of die kombinasie van simboliese KI en diep nette die beste pad na meer gevorderde KI is. Sommige navorsers, soos dié van Brown Universiteit, glo dat hierdie hibriede benadering moontlik nie ooreenstem met die vlak van abstrakte redenasie wat deur menslike verstand bereik word nie. Die menslike verstand kan simboliese voorstellings van voorwerpe skep en verskeie tipes redenasies uitvoer deur hierdie simbole te gebruik, deur biologiese neurale netwerke te gebruik, sonder om 'n toegewyde simboliese komponent te benodig. Sommige kenners argumenteer dat alternatiewe metodes, soos die toevoeging van kenmerke by diep nette wat menslike vermoëns naboots, meer effektief kan wees om KI-vermoëns te verbeter.

Aansoeke vir neuro-simboliese KI

Sommige toepassings vir neuro-simboliese KI kan die volgende insluit:

• Bots, soos chatbots, wat menslike opdragte en motivering beter kan verstaan, wat meer akkurate antwoorde en dienste lewer.
• Die toepassing daarvan in meer komplekse en sensitiewe probleemoplossingscenario's soos mediese diagnose, behandelingsbeplanning en geneesmiddelontwikkeling. Die tegnologie kan ook toegepas word om wetenskaplike en tegnologiese navorsing vir velde soos vervoer, energie en vervaardiging te versnel. 
• Die outomatisering van besluitnemingsprosesse wat tans menslike oordeel verg. Gevolglik kan sulke toepassings lei tot 'n verlies aan empatie en aanspreeklikheid in sekere velde soos kliëntediens.
• Meer intuïtiewe slimtoestelle en virtuele assistente wat verskillende scenario's kan verwerk, soos om elektrisiteit proaktief te bespaar en sekuriteitsmaatreëls te implementeer.
• Nuwe etiese en regsvrae, soos kwessies wat verband hou met privaatheid, eienaarskap en verantwoordelikheid.
• Verbeterde besluitneming in die regering en ander politieke kontekste. Hierdie tegnologie kan ook gebruik word om die openbare mening te beïnvloed deur meer geteikende advertensies en die generering van hiper-gepersonaliseerde advertensies en media.

Vrae om te oorweeg

• Hoe anders dink jy sal neuro-simboliese KI ons daaglikse lewens beïnvloed?
• Hoe kan hierdie tegnologie in ander industrieë gebruik word?