La máquina de IA neurosimbólica finalmente puede manejar tanto la lógica como el aprendizaje

CREDITO DE IMAGEN:

iStock

IA neurosimbólica: una máquina que finalmente puede manejar tanto la lógica como el aprendizaje

La inteligencia artificial simbólica (IA) y las redes neuronales profundas tienen limitaciones, pero los científicos han descubierto una forma de combinarlas y crear una IA más inteligente.

Escrito por:
Nombre del autor
Previsión Quantumrun
Sábado, Abril 13, 2023

El aprendizaje automático (ML) siempre ha sido una tecnología prometedora con sus desafíos únicos, pero los investigadores buscan crear un sistema basado en lógica que vaya más allá de los grandes datos. Los sistemas basados en la lógica están diseñados para trabajar con representaciones simbólicas y razonamiento, lo que puede proporcionar una forma más transparente e interpretable de comprender el proceso de toma de decisiones de un sistema.

Contexto de IA neurosimbólica

La IA neurosimbólica (también llamada IA compuesta) combina dos ramas de la inteligencia artificial (IA). La primera es la IA simbólica, que utiliza símbolos para comprender relaciones y reglas (es decir, el color y la forma de un objeto). Para que la IA simbólica funcione, la base de conocimientos debe ser precisa, detallada y exhaustiva. Este requisito significa que no puede aprender por sí mismo y depende de la experiencia humana para seguir actualizando la base de conocimientos.

El otro componente de la IA neurosimbólica son las redes neuronales profundas (redes profundas) o el aprendizaje profundo (DL). Esta tecnología utiliza numerosas capas de nodos que imitan las neuronas del cerebro humano para autoaprender a procesar grandes conjuntos de datos. Por ejemplo, las redes profundas pueden pasar por diferentes imágenes de gatos y perros para identificar con precisión cuál es cuál, y mejoran con el tiempo. Sin embargo, lo que las redes profundas no pueden hacer es procesar relaciones complejas. Al combinar la IA simbólica y las redes profundas, los investigadores usan DL para incorporar grandes cantidades de datos a la base de conocimientos, después de lo cual la IA simbólica puede inferir o identificar reglas y relaciones. Esta combinación permite un descubrimiento de conocimiento y una toma de decisiones más eficientes y precisos.

Otra área que aborda la IA neurosimbólica es el costoso proceso de capacitación de la red profunda. Además, las redes profundas pueden ser sensibles a pequeños cambios en los datos de entrada, lo que genera errores de clasificación. También tienen dificultades con el razonamiento abstracto y con la respuesta a preguntas sin muchos datos de entrenamiento. Además, el funcionamiento interno de estas redes es complejo y difícil de entender para los humanos, lo que dificulta la interpretación del razonamiento detrás de sus predicciones.

Impacto disruptivo

Investigadores de la Universidad de Stanford realizaron estudios iniciales de IA compuesta usando 100,000 3 imágenes de formas 98.9D básicas (cuadrados, esferas, cilindros, etc.). Luego usaron diferentes preguntas para entrenar al híbrido para procesar datos e inferir relaciones (p. ej., ¿los cubos son rojos? ). Descubrieron que la IA neurosimbólica podía responder estas preguntas correctamente el 10 por ciento de las veces. Además, el híbrido solo requirió el XNUMX por ciento de los datos de capacitación para desarrollar soluciones.

Dado que los símbolos o las reglas controlan las redes profundas, los investigadores pueden ver fácilmente cómo están "aprendiendo" y dónde se producen las fallas. Anteriormente, esta ha sido una de las debilidades de las redes profundas, la incapacidad de ser rastreado debido a capas y capas de códigos y algoritmos complejos. La IA neurosimbólica se está probando en vehículos autónomos para reconocer objetos en la carretera y cualquier cambio en el entorno. Luego se entrena para reaccionar adecuadamente a estos factores externos.

Sin embargo, existen opiniones divergentes sobre si la combinación de IA simbólica y redes profundas es el mejor camino hacia una IA más avanzada. Algunos investigadores, como los de la Universidad de Brown, creen que este enfoque híbrido puede no coincidir con el nivel de razonamiento abstracto alcanzado por las mentes humanas. La mente humana puede crear representaciones simbólicas de objetos y realizar varios tipos de razonamiento usando estos símbolos, usando redes neuronales biológicas, sin necesidad de un componente simbólico dedicado. Algunos expertos argumentan que los métodos alternativos, como agregar características a las redes profundas que imitan las habilidades humanas, pueden ser más efectivos para mejorar las capacidades de la IA.

Aplicaciones de la IA neurosimbólica

Algunas aplicaciones de la IA neurosimbólica pueden incluir:

Bots, como los chatbots, que pueden comprender mejor los comandos y la motivación humanos, produciendo respuestas y servicios más precisos.
Su aplicación en escenarios de resolución de problemas más complejos y sensibles, como el diagnóstico médico, la planificación del tratamiento y el desarrollo de fármacos. La tecnología también se puede aplicar para acelerar la investigación científica y tecnológica en campos como el transporte, la energía y la fabricación.
La automatización de los procesos de toma de decisiones que actualmente requieren del juicio humano. Como resultado, dichas aplicaciones pueden conducir a una pérdida de empatía y responsabilidad en ciertos campos como el servicio al cliente.
Electrodomésticos inteligentes más intuitivos y asistentes virtuales que pueden procesar diferentes escenarios, como conservar electricidad de manera proactiva e implementar medidas de seguridad.
Nuevas cuestiones éticas y legales, como cuestiones relacionadas con la privacidad, la propiedad y la responsabilidad.
Mejora de la toma de decisiones en el gobierno y otros contextos políticos. Esta tecnología también podría usarse para influir en la opinión pública a través de publicidad más dirigida y la generación de anuncios y medios hiperpersonalizados.