Neuro-symbolická AI: Stroj, který konečně zvládne logiku i učení

• Autor:
• jméno autora

  Quantumrun Foresight
• 13. dubna 2023

Strojové učení (ML) bylo vždy slibnou technologií se svými jedinečnými výzvami, ale výzkumníci se snaží vytvořit systém založený na logice, který přesahuje velká data. Systémy založené na logice jsou navrženy tak, aby pracovaly se symbolickými reprezentacemi a uvažováním, což může poskytnout transparentnější a interpretovatelnější způsob porozumění rozhodovacímu procesu systému. 

Neuro-symbolický kontext umělé inteligence

Neuro-symbolická AI (také nazývaná kompozitní AI) kombinuje dvě větve umělé inteligence (AI). První je symbolická AI, která používá symboly k pochopení vztahů a pravidel (tj. barvy a tvaru předmětu). Aby symbolická umělá inteligence fungovala, znalostní báze musí být přesná, podrobná a vyčerpávající. Tento požadavek znamená, že se nemůže učit sám a závisí na lidské odbornosti, aby neustále aktualizovala znalostní základnu. 

Další složkou neuro-symbolické umělé inteligence jsou hluboké neuronové sítě (deep nets) nebo hluboké učení (DL). Tato technologie využívá četné vrstvy uzlů, které napodobují neurony lidského mozku, aby se samoučily zpracovávat velké soubory dat. Hluboké sítě mohou například procházet různými obrázky koček a psů, aby přesně určily, která je která, a postupem času se zlepšují. Co však hluboké sítě neumí, je zpracovat složité vztahy. Kombinací symbolické umělé inteligence a hlubokých sítí výzkumníci používají DL k chrlení velkého množství dat do znalostní báze, načež může symbolická umělá inteligence odvodit nebo identifikovat pravidla a vztahy. Tato kombinace umožňuje efektivnější a přesnější objevování znalostí a rozhodování.

Další oblastí, kterou neurosymbolická AI řeší, je nákladný tréninkový proces deep net. Hluboké sítě mohou být navíc citlivé na malé změny vstupních dat, což vede k chybám klasifikace. Také zápasí s abstraktním uvažováním a odpovídáním na otázky bez velkého množství tréninkových dat. Kromě toho je vnitřní fungování těchto sítí složité a pro lidi je obtížné jim porozumět, takže je obtížné interpretovat důvody jejich předpovědí.

Rušivý dopad

Výzkumníci ze Stanfordské univerzity provedli počáteční studie kompozitní umělé inteligence pomocí 100,000 3 obrázků základních 98.9D tvarů (čtverců, koulí, válců atd.) Poté pomocí různých otázek trénovali hybrid ke zpracování dat a vyvozování vztahů (např. jsou kostky červené? ). Zjistili, že neuro-symbolická umělá inteligence dokáže správně odpovědět na tyto otázky 10 procenta času. Navíc hybrid vyžadoval pouze XNUMX procent tréninkových dat pro vývoj řešení. 

Protože symboly nebo pravidla ovládají hluboké sítě, vědci mohou snadno zjistit, jak se „učí“ a kde dochází k poruchám. Dříve to byla jedna ze slabin hlubokých sítí, nemožnost sledování kvůli vrstvám a vrstvám složitých kódů a algoritmů. Neuro-symbolická umělá inteligence se testuje v samořídících vozidlech, aby rozpoznávala objekty na silnici a jakékoli změny v prostředí. Poté je trénován, aby vhodně reagoval na tyto vnější faktory. 

Existují však různé názory na to, zda je kombinace symbolické umělé inteligence a hlubokých sítí tou nejlepší cestou k pokročilejší umělé inteligenci. Někteří výzkumníci, jako například ti z Brown University, se domnívají, že tento hybridní přístup nemusí odpovídat úrovni abstraktního uvažování dosaženého lidskou myslí. Lidská mysl může vytvářet symbolické reprezentace objektů a provádět různé typy uvažování pomocí těchto symbolů, pomocí biologických neuronových sítí, aniž by potřebovala vyhrazenou symbolickou komponentu. Někteří odborníci tvrdí, že alternativní metody, jako je přidávání funkcí do hlubokých sítí, které napodobují lidské schopnosti, mohou být efektivnější při zlepšování schopností AI.

Aplikace pro neuro-symbolickou AI

Některé aplikace pro neuro-symbolickou AI mohou zahrnovat:

• Boti, jako jsou chatboti, kteří dokážou lépe porozumět lidským příkazům a motivaci a produkovat přesnější odpovědi a služby.
• Jeho aplikace ve složitějších a citlivějších scénářích řešení problémů, jako je lékařská diagnóza, plánování léčby a vývoj léků. Tuto technologii lze také použít k urychlení vědeckého a technologického výzkumu v oblastech, jako je doprava, energetika a výroba. 
• Automatizace rozhodovacích procesů, které v současnosti vyžadují lidský úsudek. V důsledku toho mohou takové aplikace vést ke ztrátě empatie a odpovědnosti v určitých oblastech, jako je zákaznický servis.
• Intuitivnější chytrá zařízení a virtuální asistenti, kteří dokážou zpracovat různé scénáře, jako je proaktivně šetřit elektřinu a implementovat bezpečnostní opatření.
• Nové etické a právní otázky, jako jsou otázky týkající se soukromí, vlastnictví a odpovědnosti.
• Zlepšení rozhodování ve vládě a dalších politických kontextech. Tato technologie by také mohla být použita k ovlivnění veřejného mínění prostřednictvím cílenější reklamy a vytváření hyperpersonalizovaných reklam a médií.

Otázky k zamyšlení

• Jak jinak podle vás ovlivní neuro-symbolická AI náš každodenní život?
• Jak lze tuto technologii využít v jiných průmyslových odvětvích?