Neŭro simbola ai-maŝino povas finfine pritrakti kaj logikon kaj lernadon

BILDA KREDITO:

iStock

Neŭro-simbola AI: maŝino kiu povas finfine trakti kaj logikon kaj lernadon

Simbola artefarita inteligenteco (AI) kaj profundaj neŭralaj retoj havas limojn, sed sciencistoj malkovris manieron kombini ilin kaj krei pli inteligentan AI.

Aŭtoro:
Aŭtora nomo
Quantumrun Foresight
Aprilo 13, 2023

Maŝina lernado (ML) ĉiam estis promesplena teknologio kun siaj unikaj defioj, sed esploristoj serĉas krei logikan sistemon kiu iras preter grandaj datumoj. Logik-bazitaj sistemoj estas dizajnitaj por labori kun simbolaj reprezentadoj kaj rezonado, kiuj povas disponigi pli travideblan kaj interpreteblan manieron kompreni la decidprocezon de sistemo.

Neŭro-simbola AI-kunteksto

Neŭro-simbola AI (ankaŭ nomita kunmetita AI) kombinas du branĉojn de artefarita inteligenteco (AI). Unue estas la simbola AI, kiu uzas simbolojn por kompreni rilatojn kaj regulojn (te, la koloron kaj formon de objekto). Por ke simbola AI funkciu, la sciobazo devas esti preciza, detala kaj ĝisfunda. Ĉi tiu postulo signifas, ke ĝi ne povas lerni per si mem kaj dependas de homa kompetenteco por daŭre ĝisdatigi la scion.

La alia komponanto de neŭro-simbola AI estas profundaj neŭralaj retoj (profundaj retoj) aŭ profunda lernado (DL). Ĉi tiu tekniko uzas multajn tavolojn de nodoj, kiuj imitas la neŭronojn de la homa cerbo por memlerni prilabori grandajn datumarojn. Ekzemple, profundaj retoj povas trairi malsamajn bildojn de katoj kaj hundoj por precize identigi kiu estas kiu, kaj ili pliboniĝas kun la tempo. Tamen, kion profundaj retoj ne povas fari estas prilabori kompleksajn rilatojn. Kombinante simbolan AI kaj profundajn retojn, esploristoj uzas DL por ĵeti grandajn kvantojn da datumoj en la scion, post kio simbola AI povas konkludi aŭ identigi regulojn kaj rilatojn. Ĉi tiu kombinaĵo permesas pli efikan kaj precizan sciomalkovron kaj decidiĝon.

Alia areo, kiun traktas neŭro-simbolaj AI, estas la multekosta trejnado de profunda reto. Plie, profundaj retoj povas esti sentemaj al malgrandaj enirdatenŝanĝoj, kondukante al klasifikaj eraroj. Ili ankaŭ luktas kun abstrakta rezonado kaj respondi demandojn sen multaj trejnaj datumoj. Krome, la interna funkciado de ĉi tiuj retoj estas kompleksaj kaj malfacile kompreneblaj por homoj, igante ĝin defio interpreti la rezonadon malantaŭ iliaj antaŭdiroj.

Disrompa efiko

Esploristoj de Universitato Stanford faris komencajn studojn de kunmetita AI uzante 100,000 bildojn de bazaj 3D formoj (kvadratoj, sferoj, cilindroj, ktp.) Ili tiam uzis malsamajn demandojn por trejni la hibridon por prilabori datumojn kaj konkludi rilatojn (ekz., ĉu la kuboj estas ruĝaj? ). Ili trovis, ke neŭro-simbola AI povus respondi ĉi tiujn demandojn ĝuste 98.9 procentojn de la tempo. Aldone, la hibrido nur postulis 10 procentojn de trejnaj datumoj por disvolvi solvojn.

Ĉar simboloj aŭ reguloj kontrolas profundajn retojn, esploristoj povas facile vidi kiel ili "lernas" kaj kie okazas paneoj. Antaŭe, ĉi tio estis unu el la malfortoj de profundaj retoj, la malkapablo esti spurita pro tavoloj kaj tavoloj de kompleksaj kodoj kaj algoritmoj. Neŭro-simbola AI estas testata en memveturaj veturiloj por rekoni objektojn sur la vojo kaj ajnajn ŝanĝojn en la medio. Ĝi tiam estas trejnita por reagi taŭge al tiuj eksteraj faktoroj.

Tamen, ekzistas malsamaj opinioj pri ĉu la kombinaĵo de simbola AI kaj profundaj retoj estas la plej bona vojo al pli progresinta AI. Iuj esploristoj, kiel tiuj de Brown University, opinias, ke ĉi tiu hibrida aliro eble ne kongruas kun la nivelo de abstrakta rezonado atingita de homaj mensoj. La homa menso povas krei simbolajn reprezentadojn de objektoj kaj elfari diversajn specojn de rezonado uzante tiujn simbolojn, uzante biologiajn neŭralaj retoj, sen bezonado de dediĉita simbola komponento. Iuj fakuloj argumentas, ke alternativaj metodoj, kiel aldoni funkciojn al profundaj retoj, kiuj imitas homajn kapablojn, povas esti pli efikaj por plibonigi AI-kapablojn.

Aplikoj por neŭro-simbola AI

Kelkaj aplikoj por neŭro-simbola AI povas inkluzivi:

Botoj, kiel babilrotoj, kiuj povas pli bone kompreni homajn komandojn kaj instigon, produktante pli precizajn respondojn kaj servojn.
Ĝia apliko en pli kompleksaj kaj sentemaj problem-solvaj scenaroj kiel ekzemple medicina diagnozo, terapioplanado, kaj drog-evoluo. La teknologio ankaŭ povas esti aplikata por akceli sciencan kaj teknologian esploradon por kampoj kiel transportado, energio kaj fabrikado.
La aŭtomatigo de decidprocezoj kiuj nuntempe postulas homan juĝon. Kiel rezulto, tiaj aplikoj povas kaŭzi perdon de empatio kaj respondeco en certaj kampoj kiel klientservo.
Pli intuiciaj inteligentaj aparatoj kaj virtualaj asistantoj, kiuj povas prilabori malsamajn scenarojn, kiel iniciateme konservado de elektro kaj efektivigado de sekurecaj mezuroj.
Novaj etikaj kaj juraj demandoj, kiel aferoj rilataj al privateco, proprieto kaj respondeco.
Plibonigita decidiĝo en registaro kaj aliaj politikaj kuntekstoj. Ĉi tiu teknologio povus ankaŭ esti uzata por influi publikan opinion per pli celita reklamado kaj la generacio de hiperpersonigitaj reklamoj kaj amaskomunikilaro.