La machine d'IA neuro-symbolique peut enfin gérer à la fois la logique et l'apprentissage

CRÉDIT D'IMAGE:

iStock

IA neuro-symbolique : une machine qui peut enfin gérer à la fois la logique et l'apprentissage

L'intelligence artificielle symbolique (IA) et les réseaux de neurones profonds ont des limites, mais les scientifiques ont découvert un moyen de les combiner et de créer une IA plus intelligente.

Auteur :
Nom de l'auteur
Prévision quantique
13 avril 2023

L'apprentissage automatique (ML) a toujours été une technologie prometteuse avec ses défis uniques, mais les chercheurs cherchent à créer un système basé sur la logique qui va au-delà du big data. Les systèmes basés sur la logique sont conçus pour fonctionner avec des représentations et un raisonnement symboliques, ce qui peut fournir une manière plus transparente et interprétable de comprendre le processus de prise de décision d'un système.

Contexte neuro-symbolique de l'IA

L'IA neuro-symbolique (également appelée IA composite) combine deux branches de l'intelligence artificielle (IA). Le premier est l'IA symbolique, qui utilise des symboles pour comprendre les relations et les règles (c'est-à-dire la couleur et la forme d'un objet). Pour que l'IA symbolique fonctionne, la base de connaissances doit être précise, détaillée et exhaustive. Cette exigence signifie qu'il ne peut pas apprendre par lui-même et dépend de l'expertise humaine pour continuer à mettre à jour la base de connaissances.

L'autre composante de l'IA neuro-symbolique est les réseaux de neurones profonds (deep nets) ou deep learning (DL). Cette technologie utilise de nombreuses couches de nœuds qui imitent les neurones du cerveau humain pour apprendre par eux-mêmes à traiter de grands ensembles de données. Par exemple, les filets profonds peuvent parcourir différentes images de chats et de chiens pour identifier avec précision lequel est lequel, et ils s'améliorent avec le temps. Cependant, ce que les réseaux profonds ne peuvent pas faire, c'est traiter des relations complexes. En combinant l'IA symbolique et les réseaux profonds, les chercheurs utilisent DL pour générer de grandes quantités de données dans la base de connaissances, après quoi l'IA symbolique peut déduire ou identifier des règles et des relations. Cette combinaison permet une découverte de connaissances et une prise de décision plus efficaces et plus précises.

Un autre domaine abordé par l'IA neuro-symbolique est le processus de formation coûteux du réseau profond. De plus, les réseaux profonds peuvent être sensibles aux petites modifications des données d'entrée, entraînant des erreurs de classification. Ils ont également du mal à faire des raisonnements abstraits et à répondre à des questions sans beaucoup de données de formation. De plus, le fonctionnement interne de ces réseaux est complexe et difficile à comprendre pour les humains, ce qui rend difficile l'interprétation du raisonnement derrière leurs prédictions.

Impact perturbateur

Des chercheurs de l'Université de Stanford ont mené des études initiales sur l'IA composite en utilisant 100,000 3 images de formes 98.9D de base (carrés, sphères, cylindres, etc.). Ils ont ensuite utilisé différentes questions pour entraîner l'hybride à traiter les données et à déduire des relations (par exemple, les cubes sont-ils rouges ? ). Ils ont découvert que l'IA neuro-symbolique pouvait répondre correctement à ces questions 10 % du temps. De plus, l'hybride ne nécessitait que XNUMX % des données de formation pour développer des solutions.

Étant donné que les symboles ou les règles contrôlent les réseaux profonds, les chercheurs peuvent facilement voir comment ils «apprennent» et où se produisent les pannes. Auparavant, c'était l'une des faiblesses des réseaux profonds, l'impossibilité d'être suivi en raison de couches et de couches de codes et d'algorithmes complexes. L'IA neuro-symbolique est testée dans des véhicules autonomes pour reconnaître les objets sur la route et tout changement dans l'environnement. Il est ensuite formé pour réagir de manière appropriée à ces facteurs externes.

Cependant, les opinions divergent sur la question de savoir si la combinaison de l'IA symbolique et des réseaux profonds est la meilleure voie vers une IA plus avancée. Certains chercheurs, comme ceux de l'Université Brown, pensent que cette approche hybride peut ne pas correspondre au niveau de raisonnement abstrait atteint par l'esprit humain. L'esprit humain peut créer des représentations symboliques d'objets et effectuer divers types de raisonnement à l'aide de ces symboles, en utilisant des réseaux de neurones biologiques, sans avoir besoin d'un composant symbolique dédié. Certains experts affirment que des méthodes alternatives, telles que l'ajout de fonctionnalités aux réseaux profonds qui imitent les capacités humaines, peuvent être plus efficaces pour améliorer les capacités de l'IA.

Applications pour l'IA neuro-symbolique

Certaines applications de l'IA neuro-symbolique peuvent inclure :

Les robots, tels que les chatbots, qui peuvent mieux comprendre les commandes et la motivation humaines, produisant des réponses et des services plus précis.
Son application dans des scénarios de résolution de problèmes plus complexes et sensibles tels que le diagnostic médical, la planification du traitement et le développement de médicaments. La technologie peut également être appliquée pour accélérer la recherche scientifique et technologique dans des domaines tels que les transports, l'énergie et la fabrication.
L'automatisation des processus décisionnels qui nécessitent actuellement un jugement humain. En conséquence, de telles applications peuvent entraîner une perte d'empathie et de responsabilité dans certains domaines comme le service client.
Des appareils intelligents plus intuitifs et des assistants virtuels capables de traiter différents scénarios, tels que la conservation proactive de l'électricité et la mise en œuvre de mesures de sécurité.
Nouvelles questions éthiques et juridiques, telles que les problèmes liés à la vie privée, à la propriété et à la responsabilité.
Amélioration de la prise de décision au sein du gouvernement et d'autres contextes politiques. Cette technologie pourrait également être utilisée pour influencer l'opinion publique grâce à une publicité plus ciblée et à la génération de publicités et de médias hyper-personnalisés.