Neurosymbolische KI: Eine Maschine, die endlich sowohl mit Logik als auch mit Lernen umgehen kann

IMAGE CREDIT:
Bildnachweis
iStock

Neurosymbolische KI: Eine Maschine, die endlich sowohl mit Logik als auch mit Lernen umgehen kann

Neurosymbolische KI: Eine Maschine, die endlich sowohl mit Logik als auch mit Lernen umgehen kann

Untertiteltext
Symbolische künstliche Intelligenz (KI) und tiefe neuronale Netze haben Einschränkungen, aber Wissenschaftler haben einen Weg entdeckt, sie zu kombinieren und eine intelligentere KI zu schaffen.
    • Autor:
    • Autorenname
      Quantumrun-Vorausschau
    • 13. April 2023

    Maschinelles Lernen (ML) war schon immer eine vielversprechende Technologie mit ihren einzigartigen Herausforderungen, aber Forscher suchen nach einem logikbasierten System, das über Big Data hinausgeht. Logikbasierte Systeme sind so konzipiert, dass sie mit symbolischen Darstellungen und Argumenten arbeiten, die eine transparentere und interpretierbarere Methode zum Verständnis des Entscheidungsprozesses eines Systems bieten können. 

    Neuro-symbolischer KI-Kontext

    Die neurosymbolische KI (auch zusammengesetzte KI genannt) kombiniert zwei Zweige der künstlichen Intelligenz (KI). Die erste ist die symbolische KI, die Symbole verwendet, um Beziehungen und Regeln (dh die Farbe und Form eines Objekts) zu verstehen. Damit die symbolische KI funktioniert, muss die Wissensbasis präzise, ​​detailliert und vollständig sein. Diese Anforderung bedeutet, dass es nicht selbst lernen kann und auf menschliches Fachwissen angewiesen ist, um die Wissensbasis ständig zu aktualisieren. 

    Die andere Komponente der neurosymbolischen KI sind tiefe neuronale Netze (Deep Nets) oder Deep Learning (DL). Diese Technologie verwendet zahlreiche Schichten von Knoten, die die Neuronen des menschlichen Gehirns nachahmen, um selbst zu lernen, große Datensätze zu verarbeiten. Zum Beispiel können tiefe Netze verschiedene Bilder von Katzen und Hunden durchgehen, um genau zu identifizieren, welches welches ist, und sie verbessern sich mit der Zeit. Was Deep Nets jedoch nicht können, ist die Verarbeitung komplexer Zusammenhänge. Durch die Kombination von symbolischer KI und tiefen Netzen verwenden Forscher DL, um große Datenmengen in die Wissensbasis zu übertragen, woraufhin symbolische KI Regeln und Beziehungen ableiten oder identifizieren kann. Diese Kombination ermöglicht eine effizientere und genauere Wissensermittlung und Entscheidungsfindung.

    Ein weiterer Bereich, den die neurosymbolische KI anspricht, ist der kostspielige Trainingsprozess von Deep Net. Darüber hinaus können tiefe Netze empfindlich auf kleine Änderungen der Eingabedaten reagieren, was zu Klassifizierungsfehlern führt. Sie kämpfen auch mit abstraktem Denken und der Beantwortung von Fragen ohne viele Trainingsdaten. Darüber hinaus ist die interne Funktionsweise dieser Netzwerke komplex und für Menschen schwer zu verstehen, was es zu einer Herausforderung macht, die Gründe für ihre Vorhersagen zu interpretieren.

    Störende Wirkung

    Forscher der Stanford University führten erste Studien zur zusammengesetzten KI durch, indem sie 100,000 Bilder von grundlegenden 3D-Formen (Quadrate, Kugeln, Zylinder usw.) verwendeten. Anschließend verwendeten sie verschiedene Fragen, um den Hybriden zu trainieren, Daten zu verarbeiten und Beziehungen abzuleiten (z. ). Sie fanden heraus, dass die neurosymbolische KI diese Fragen in 98.9 Prozent der Fälle richtig beantworten konnte. Darüber hinaus benötigte der Hybrid nur 10 Prozent der Trainingsdaten, um Lösungen zu entwickeln. 

    Da Symbole oder Regeln tiefe Netze steuern, können Forscher leicht erkennen, wie sie „lernen“ und wo Pannen auftreten. Bisher war dies eine der Schwächen von tiefen Netzen, die Unfähigkeit, aufgrund von Schichten und Schichten komplexer Codes und Algorithmen verfolgt zu werden. Neurosymbolische KI wird in selbstfahrenden Fahrzeugen getestet, um Objekte auf der Straße und Veränderungen in der Umgebung zu erkennen. Es wird dann trainiert, angemessen auf diese äußeren Faktoren zu reagieren. 

    Es gibt jedoch unterschiedliche Meinungen darüber, ob die Kombination aus symbolischer KI und tiefen Netzen der beste Weg zu einer fortgeschritteneren KI ist. Einige Forscher, wie die der Brown University, glauben, dass dieser hybride Ansatz möglicherweise nicht dem Niveau des abstrakten Denkens entspricht, das der menschliche Verstand erreicht. Der menschliche Geist kann symbolische Repräsentationen von Objekten erstellen und verschiedene Arten von Argumentationen unter Verwendung dieser Symbole unter Verwendung biologischer neuronaler Netze durchführen, ohne eine dedizierte symbolische Komponente zu benötigen. Einige Experten argumentieren, dass alternative Methoden, wie das Hinzufügen von Funktionen zu tiefen Netzen, die menschliche Fähigkeiten nachahmen, effektiver sein könnten, um die KI-Fähigkeiten zu verbessern.

    Anwendungen für neurosymbolische KI

    Einige Anwendungen für neurosymbolische KI können umfassen:

    • Bots, wie z. B. Chatbots, die menschliche Befehle und Motivation besser verstehen und genauere Antworten und Dienste liefern können.
    • Seine Anwendung in komplexeren und sensibleren Problemlösungsszenarien wie medizinischer Diagnose, Behandlungsplanung und Arzneimittelentwicklung. Die Technologie kann auch zur Beschleunigung der wissenschaftlichen und technologischen Forschung in Bereichen wie Transport, Energie und Fertigung eingesetzt werden. 
    • Die Automatisierung von Entscheidungsprozessen, die derzeit menschliches Urteilsvermögen erfordern. Infolgedessen können solche Anwendungen zu einem Verlust an Empathie und Verantwortlichkeit in bestimmten Bereichen wie dem Kundenservice führen.
    • Intuitivere intelligente Geräte und virtuelle Assistenten, die verschiedene Szenarien verarbeiten können, wie z. B. proaktives Energiesparen und Implementieren von Sicherheitsmaßnahmen.
    • Neue ethische und rechtliche Fragen, wie z. B. Fragen im Zusammenhang mit Datenschutz, Eigentum und Verantwortung.
    • Verbesserte Entscheidungsfindung in der Regierung und anderen politischen Kontexten. Diese Technologie könnte auch verwendet werden, um die öffentliche Meinung durch gezieltere Werbung und die Generierung hyperpersonalisierter Werbung und Medien zu beeinflussen.

    Fragen zu berücksichtigen

    • Wie wird sich die neurosymbolische KI Ihrer Meinung nach sonst noch auf unser tägliches Leben auswirken?
    • Wie kann diese Technologie in anderen Branchen eingesetzt werden?

    Insight-Referenzen

    Für diesen Einblick wurde auf die folgenden beliebten und institutionellen Links verwiesen: