Neuro-symbolic AI: Kone, joka pystyy vihdoin käsittelemään sekä logiikkaa että oppimista

• Kirjoittaja:
• tekijän nimi

  Quantumrun Foresight
• Huhtikuu 13, 2023

Koneoppiminen (ML) on aina ollut lupaava teknologia ainutlaatuisine haasteineen, mutta tutkijat haluavat luoda logiikkaan perustuvan järjestelmän, joka ylittää big datan. Logiikkapohjaiset järjestelmät on suunniteltu toimimaan symbolisten esitysten ja päättelyn kanssa, mikä voi tarjota avoimemman ja tulkittavamman tavan ymmärtää järjestelmän päätöksentekoprosessia. 

Neuro-symbolinen tekoälykonteksti

Neuro-symbolinen AI (kutsutaan myös komposiitti-AI) yhdistää kaksi tekoälyn (AI) haaraa. Ensimmäinen on symbolinen tekoäly, joka käyttää symboleja ymmärtääkseen suhteita ja sääntöjä (eli kohteen väriä ja muotoa). Jotta symbolinen tekoäly toimisi, tietokannan on oltava tarkka, yksityiskohtainen ja kattava. Tämä vaatimus tarkoittaa, että se ei voi oppia itse, ja se on riippuvainen inhimillisestä asiantuntemuksesta tietopohjan jatkuvassa päivittämisessä. 

Toinen neurosymbolisen tekoälyn komponentti on syvät hermoverkot (deep nets) tai syväoppiminen (DL). Tämä tekniikka käyttää lukuisia solmukerroksia, jotka jäljittelevät ihmisaivojen hermosoluja, jotta ne voivat itse oppia käsittelemään suuria tietojoukkoja. Esimerkiksi syvät verkot voivat käydä läpi erilaisia ​​kuvia kissoista ja koirista tunnistaakseen tarkasti, kumpi on kumpi, ja ne paranevat ajan myötä. Syvät verkot eivät kuitenkaan pysty käsittelemään monimutkaisia ​​suhteita. Yhdistämällä symbolisen tekoälyn ja syväverkot tutkijat käyttävät DL:tä suurten tietomäärien siirtämiseen tietokantaan, minkä jälkeen symbolinen tekoäly voi päätellä tai tunnistaa sääntöjä ja suhteita. Tämä yhdistelmä mahdollistaa tehokkaamman ja tarkemman tiedon löytämisen ja päätöksenteon.

Toinen neurosymbolisen tekoälyn kohdealue on syväverkon kallis koulutusprosessi. Lisäksi syväverkot voivat olla herkkiä pienille syöttötietojen muutoksille, mikä johtaa luokitteluvirheisiin. He kamppailevat myös abstraktin päättelyn ja kysymyksiin vastaamisen kanssa ilman paljon koulutustietoja. Lisäksi näiden verkostojen sisäinen toiminta on monimutkaista ja ihmisten vaikea ymmärtää, mikä tekee ennusteidensa taustalla olevien perusteiden tulkitsemisesta haasteellista.

Häiritsevä vaikutus

Stanfordin yliopiston tutkijat suorittivat alustavat tutkimukset komposiittitekoälystä käyttämällä 100,000 3 kuvaa 98.9D-perusmuodoista (neliöt, pallot, sylinterit jne.). Sitten he käyttivät erilaisia ​​​​kysymyksiä kouluttaakseen hybridiä käsittelemään tietoja ja päättelemään suhteita (esim. ovatko kuutiot punaisia? ). He havaitsivat, että neurosymbolinen tekoäly pystyi vastaamaan näihin kysymyksiin oikein 10 prosenttia ajasta. Lisäksi hybridi tarvitsi vain XNUMX prosenttia koulutustiedoista ratkaisujen kehittämiseen. 

Koska symbolit tai säännöt hallitsevat syviä verkkoja, tutkijat näkevät helposti, kuinka he "oppivat" ja missä häiriöt tapahtuvat. Aiemmin tämä on ollut yksi syväverkkojen heikkouksista, kyvyttömyys seurata monimutkaisten koodien ja algoritmien kerrosten ja kerrosten vuoksi. Neuro-symbolista tekoälyä testataan itseohjautuvissa ajoneuvoissa tiellä olevien esineiden ja ympäristön muutosten tunnistamiseksi. Sitten se koulutetaan reagoimaan asianmukaisesti näihin ulkoisiin tekijöihin. 

Siitä, onko symbolisen tekoälyn ja syväverkkojen yhdistelmä paras tie edistyneempään tekoälyyn, ollaan kuitenkin eriäviä. Jotkut tutkijat, kuten Brownin yliopiston tutkijat, uskovat, että tämä hybridilähestymistapa ei ehkä vastaa ihmismielten saavuttaman abstraktin päättelyn tasoa. Ihmismieli voi luoda symbolisia esityksiä esineistä ja suorittaa erilaisia ​​päättelyjä käyttämällä näitä symboleja, käyttämällä biologisia hermoverkkoja, ilman erillistä symbolista komponenttia. Jotkut asiantuntijat väittävät, että vaihtoehtoiset menetelmät, kuten ihmisen kykyjä jäljittelevien ominaisuuksien lisääminen syviin verkkoihin, voivat olla tehokkaampia tekoälyominaisuuksien parantamisessa.

Sovellukset neurosymboliseen tekoälyyn

Jotkut neurosymbolisen tekoälyn sovellukset voivat sisältää:

• Botit, kuten chatbotit, jotka ymmärtävät paremmin ihmisten käskyjä ja motivaatiota ja tuottavat tarkempia vastauksia ja palveluita.
• Sen käyttö monimutkaisemmissa ja herkissä ongelmanratkaisuskenaarioissa, kuten lääketieteellinen diagnoosi, hoidon suunnittelu ja lääkekehitys. Tekniikkaa voidaan myös soveltaa nopeuttamaan tieteellistä ja teknologista tutkimusta esimerkiksi liikenteen, energian ja valmistuksen aloilla. 
• Tällä hetkellä ihmisen harkintaa vaativien päätöksentekoprosessien automatisointi. Tämän seurauksena tällaiset sovellukset voivat johtaa empatian ja vastuun menettämiseen tietyillä aloilla, kuten asiakaspalvelussa.
• Intuitiivisempia älylaitteita ja virtuaalisia avustajia, jotka pystyvät käsittelemään erilaisia ​​skenaarioita, kuten ennakoivasti säästämään sähköä ja toteuttamaan turvatoimia.
• Uusia eettisiä ja juridisia kysymyksiä, kuten yksityisyyteen, omistukseen ja vastuuseen liittyviä kysymyksiä.
• Parempi päätöksenteko hallituksessa ja muissa poliittisissa yhteyksissä. Tätä tekniikkaa voitaisiin käyttää myös vaikuttamaan yleiseen mielipiteeseen kohdistetumman mainonnan ja hyperpersonoitujen mainosten ja median luomisen kautta.

Pohdittavia kysymyksiä

• Miten muuten luulet neurosymbolisen tekoälyn vaikuttavan jokapäiväiseen elämäämme?
• Miten tätä tekniikkaa voidaan käyttää muilla teollisuudenaloilla?