Neuro-symbolsk AI: En maskine, der endelig kan håndtere både logik og læring

• Forfatter:
• Forfatter navn

  Quantumrun Foresight
• April 13, 2023

Machine learning (ML) har altid været en lovende teknologi med dens unikke udfordringer, men forskere søger at skabe et logikbaseret system, der rækker ud over big data. Logik-baserede systemer er designet til at arbejde med symbolske repræsentationer og ræsonnementer, som kan give en mere gennemsigtig og fortolkelig måde at forstå et systems beslutningsproces. 

Neuro-symbolsk AI-kontekst

Neuro-symbolsk AI (også kaldet sammensat AI) kombinerer to grene af kunstig intelligens (AI). Først er den symbolske AI, som bruger symboler til at forstå relationer og regler (dvs. farven og formen på et objekt). For at symbolsk AI kan fungere, skal videnbasen være præcis, detaljeret og udtømmende. Dette krav betyder, at det ikke kan lære af sig selv og afhænger af menneskelig ekspertise for at blive ved med at opdatere videnbasen. 

Den anden komponent i neuro-symbolsk AI er dybe neurale netværk (deep nets) eller deep learning (DL). Denne teknologi bruger adskillige lag af noder, der efterligner den menneskelige hjernes neuroner til selv at lære at behandle store datasæt. For eksempel kan dybe net gå gennem forskellige billeder af katte og hunde for præcist at identificere, hvad der er hvad, og de forbedres over tid. Hvad dybe net dog ikke kan, er at bearbejde komplekse relationer. Ved at kombinere symbolsk AI og dybe net bruger forskere DL til at samle store mængder data ind i videnbasen, hvorefter symbolsk AI kan udlede eller identificere regler og sammenhænge. Denne kombination giver mulighed for mere effektiv og præcis vidensopdagelse og beslutningstagning.

Et andet område, som neuro-symbolsk AI adresserer, er deep nets kostbare træningsproces. Derudover kan dybe net være følsomme over for små inputdataændringer, hvilket fører til klassifikationsfejl. De kæmper også med abstrakt ræsonnement og besvare spørgsmål uden meget træningsdata. Ydermere er disse netværks interne funktion komplekse og svære for mennesker at forstå, hvilket gør det til en udfordring at fortolke ræsonnementet bag deres forudsigelser.

Forstyrrende påvirkning

Forskere fra Stanford University udførte indledende undersøgelser af sammensat AI ved hjælp af 100,000 billeder af grundlæggende 3D-former (firkanter, kugler, cylindre osv.) De brugte derefter forskellige spørgsmål til at træne hybriden til at behandle data og udlede relationer (f.eks. er kuberne røde? ). De fandt ud af, at neuro-symbolsk AI kunne besvare disse spørgsmål korrekt 98.9 procent af tiden. Derudover krævede hybriden kun 10 procent af træningsdataene for at udvikle løsninger. 

Da symboler eller regler styrer dybe net, kan forskerne nemt se, hvordan de "lærer", og hvor sammenbrud opstår. Tidligere har dette været en af ​​svaghederne ved dybe net, den manglende evne til at blive sporet på grund af lag og lag af komplekse koder og algoritmer. Neuro-symbolsk AI bliver testet i selvkørende køretøjer for at genkende genstande på vejen og eventuelle ændringer i miljøet. Den trænes derefter i at reagere passende på disse eksterne faktorer. 

Der er dog forskellige meninger om, hvorvidt kombinationen af ​​symbolsk AI og dybe net er den bedste vej mod mere avanceret AI. Nogle forskere, såsom dem fra Brown University, mener, at denne hybride tilgang måske ikke matcher niveauet af abstrakt ræsonnement opnået af menneskelige sind. Det menneskelige sind kan skabe symbolske repræsentationer af objekter og udføre forskellige typer ræsonnement ved hjælp af disse symboler, ved hjælp af biologiske neurale netværk, uden at have brug for en dedikeret symbolsk komponent. Nogle eksperter hævder, at alternative metoder, såsom at tilføje funktioner til dybe net, der efterligner menneskelige evner, kan være mere effektive til at forbedre AI-evnerne.

Ansøgninger til neuro-symbolsk AI

Nogle applikationer til neuro-symbolsk AI kan omfatte:

• Bots, såsom chatbots, som bedre kan forstå menneskelige kommandoer og motivation og producere mere præcise svar og tjenester.
• Dets anvendelse i mere komplekse og følsomme problemløsningsscenarier såsom medicinsk diagnose, behandlingsplanlægning og lægemiddeludvikling. Teknologien kan også anvendes til at fremskynde videnskabelig og teknologisk forskning inden for områder som transport, energi og fremstilling. 
• Automatisering af beslutningsprocesser, der i øjeblikket kræver menneskelig dømmekraft. Som følge heraf kan sådanne applikationer føre til tab af empati og ansvarlighed på visse områder som kundeservice.
• Mere intuitive smarte apparater og virtuelle assistenter, der kan behandle forskellige scenarier, såsom proaktivt at spare på elektricitet og implementere sikkerhedsforanstaltninger.
• Nye etiske og juridiske spørgsmål, såsom spørgsmål relateret til privatliv, ejerskab og ansvar.
• Forbedret beslutningstagning i regeringen og andre politiske sammenhænge. Denne teknologi kan også bruges til at påvirke den offentlige mening gennem mere målrettet annoncering og generering af hyper-personaliserede annoncer og medier.

Spørgsmål at overveje

• Hvordan tror du ellers, at neuro-symbolsk AI vil påvirke vores daglige liv?
• Hvordan kan denne teknologi bruges i andre industrier?