Невро-символичен AI: Машина, която най-накрая може да се справи както с логиката, така и с ученето

• Автор:
• име Автор

  Quantumrun Foresight
• Април 13, 2023

Машинното обучение (ML) винаги е било обещаваща технология със своите уникални предизвикателства, но изследователите се стремят да създадат система, базирана на логика, която надхвърля големите данни. Системите, базирани на логика, са проектирани да работят със символни представяния и разсъждения, които могат да осигурят по-прозрачен и интерпретируем начин за разбиране на процеса на вземане на решения в системата. 

Невросимволичен AI контекст

Невросимволичният AI (наричан още композитен AI) съчетава два клона на изкуствения интелект (AI). Първият е символният AI, който използва символи, за да разбере връзките и правилата (т.е. цвета и формата на даден обект). За да работи символният AI, базата от знания трябва да бъде точна, подробна и изчерпателна. Това изискване означава, че той не може да се учи сам и зависи от човешкия опит, за да продължи да актуализира базата от знания. 

Другият компонент на невро-символичния AI са дълбоките невронни мрежи (deep nets) или дълбокото обучение (DL). Тази технология използва множество слоеве от възли, които имитират невроните на човешкия мозък, за да се самонаучат да обработват големи набори от данни. Например, дълбоките мрежи могат да преминат през различни изображения на котки и кучета, за да идентифицират точно кое е кое, и те се подобряват с течение на времето. Но това, което дълбоките мрежи не могат да направят, е да обработват сложни взаимоотношения. Чрез комбиниране на символен AI и дълбоки мрежи, изследователите използват DL, за да прехвърлят големи количества данни в базата от знания, след което символният AI може да изведе или идентифицира правила и взаимоотношения. Тази комбинация позволява по-ефективно и точно откриване на знания и вземане на решения.

Друга област, към която се отнася невро-символният AI, е скъпият процес на обучение на дълбоката мрежа. Освен това дълбоките мрежи могат да бъдат чувствителни към малки промени на входните данни, което води до грешки в класификацията. Те също се борят с абстрактни разсъждения и отговаряне на въпроси без много данни за обучение. Освен това вътрешната работа на тези мрежи е сложна и трудна за разбиране от хората, което прави предизвикателство да се тълкуват мотивите зад техните прогнози.

Разрушително въздействие

Изследователи от Станфордския университет проведоха първоначални проучвания на композитен AI, използвайки 100,000 3 изображения на основни 98.9D форми (квадрати, сфери, цилиндри и т.н.). След това те използваха различни въпроси, за да обучат хибрида да обработва данни и да прави изводи за връзки (напр. червени ли са кубовете? ). Те откриха, че невро-символичният AI може да отговори правилно на тези въпроси в 10 процента от времето. Освен това хибридът изискваше само XNUMX процента от данните за обучение, за да разработи решения. 

Тъй като символите или правилата контролират дълбоките мрежи, изследователите могат лесно да видят как те „учат“ и къде възникват сривове. Преди това беше една от слабостите на дълбоките мрежи, невъзможността да бъдат проследени поради слоеве и слоеве от сложни кодове и алгоритми. Невросимволичният AI се тества в самоуправляващи се превозни средства, за да разпознава обекти по пътя и всякакви промени в околната среда. След това то се обучава да реагира правилно на тези външни фактори. 

Съществуват обаче различни мнения дали комбинацията от символен AI и дълбоки мрежи е най-добрият път към по-напреднал AI. Някои изследователи, като тези от университета Браун, смятат, че този хибриден подход може да не съответства на нивото на абстрактно мислене, постигнато от човешките умове. Човешкият ум може да създава символични представяния на обекти и да извършва различни видове разсъждения, използвайки тези символи, използвайки биологични невронни мрежи, без да се нуждае от специален символичен компонент. Някои експерти твърдят, че алтернативни методи, като добавяне на функции към дълбоки мрежи, които имитират човешки способности, може да са по-ефективни за подобряване на възможностите на AI.

Приложения за невро-символичен AI

Някои приложения за невро-символичен AI могат да включват:

• Ботове, като чатботове, които могат по-добре да разбират човешките команди и мотивация, произвеждайки по-точни отговори и услуги.
• Неговото приложение в по-сложни и чувствителни сценарии за решаване на проблеми като медицинска диагностика, планиране на лечение и разработване на лекарства. Технологията може да се приложи и за ускоряване на научни и технологични изследвания в области като транспорт, енергетика и производство. 
• Автоматизирането на процесите на вземане на решения, които в момента изискват човешка преценка. В резултат на това такива приложения могат да доведат до загуба на съпричастност и отчетност в определени области като обслужване на клиенти.
• По-интуитивни интелигентни уреди и виртуални асистенти, които могат да обработват различни сценарии, като например проактивно пестене на електроенергия и прилагане на мерки за сигурност.
• Нови етични и правни въпроси, като въпроси, свързани с поверителността, собствеността и отговорността.
• Подобрено вземане на решения в правителството и други политически контексти. Тази технология може да се използва и за влияние върху общественото мнение чрез по-целенасочена реклама и генериране на хиперперсонализирани реклами и медии.

Въпроси за разглеждане

• Как иначе мислите, че невро-символичният AI ще повлияе на ежедневния ни живот?
• Как тази технология може да се използва в други индустрии?