IA neurosimbólica: unha máquina que finalmente pode manexar tanto a lóxica como a aprendizaxe

• autor:
• nome do autor

  Previsión de Quantumrun
• Abril 13, 2023

A aprendizaxe automática (ML) sempre foi unha tecnoloxía prometedora cos seus desafíos únicos, pero os investigadores buscan crear un sistema baseado en lóxica que vaia máis aló dos grandes datos. Os sistemas baseados na lóxica están deseñados para traballar con representacións e razoamentos simbólicos, que poden proporcionar unha forma máis transparente e interpretable de entender o proceso de toma de decisións dun sistema. 

Contexto neurosimbólico de IA

A IA neurosimbólica (tamén chamada IA ​​composta) combina dúas ramas da intelixencia artificial (IA). O primeiro é a IA simbólica, que usa símbolos para comprender relacións e regras (é dicir, a cor e a forma dun obxecto). Para que a IA simbólica funcione, a base de coñecemento debe ser precisa, detallada e exhaustiva. Este requisito significa que non pode aprender por si só e depende da experiencia humana para seguir actualizando a base de coñecemento. 

O outro compoñente da IA ​​neurosimbólica son as redes neuronais profundas (redes profundas) ou a aprendizaxe profunda (DL). Esta tecnoloxía usa numerosas capas de nodos que imitan as neuronas do cerebro humano para autoaprender a procesar grandes conxuntos de datos. Por exemplo, as redes profundas poden pasar por diferentes imaxes de gatos e cans para identificar con precisión cal é cal, e melloran co paso do tempo. Non obstante, o que non poden facer as redes profundas é procesar relacións complexas. Ao combinar a IA simbólica e as redes profundas, os investigadores usan DL para incorporar grandes cantidades de datos á base de coñecemento, despois de que a IA simbólica pode inferir ou identificar regras e relacións. Esta combinación permite un descubrimento de coñecemento e unha toma de decisións máis eficientes e precisas.

Outra área que aborda a IA neurosimbólica é o custoso proceso de adestramento da rede profunda. Ademais, as redes profundas poden ser sensibles a pequenos cambios de datos de entrada, o que provoca erros de clasificación. Tamén loitan co razoamento abstracto e responder preguntas sen moitos datos de formación. Ademais, o funcionamento interno destas redes é complexo e difícil de entender para os humanos, polo que é un reto interpretar o razoamento detrás das súas predicións.

Impacto perturbador

Os investigadores da Universidade de Stanford realizaron estudos iniciais de IA composta usando 100,000 imaxes de formas 3D básicas (cadrados, esferas, cilindros, etc.) Despois utilizaron diferentes preguntas para adestrar o híbrido para procesar datos e inferir relacións (por exemplo, os cubos son vermellos? ). Descubriron que a IA neurosimbólica podería responder a estas preguntas correctamente o 98.9 por cento das veces. Ademais, o híbrido só requiriu o 10 por cento dos datos de adestramento para desenvolver solucións. 

Dado que os símbolos ou as regras controlan as redes profundas, os investigadores poden ver facilmente como están "aprendendo" e onde se producen as avarías. Anteriormente, esta foi unha das debilidades das redes profundas, a incapacidade de ser rastrexadas debido a capas e capas de códigos e algoritmos complexos. A intelixencia artificial neurosimbólica está a ser probada en vehículos autónomos para recoñecer obxectos na estrada e calquera cambio no ambiente. Despois adestrase para reaccionar adecuadamente ante estes factores externos. 

Non obstante, hai opinións diferentes sobre se a combinación de IA simbólica e redes profundas é o mellor camiño cara a unha IA máis avanzada. Algúns investigadores, como os da Universidade de Brown, cren que este enfoque híbrido pode non coincidir co nivel de razoamento abstracto alcanzado polas mentes humanas. A mente humana pode crear representacións simbólicas de obxectos e realizar varios tipos de razoamento utilizando estes símbolos, utilizando redes neuronais biolóxicas, sen precisar un compoñente simbólico dedicado. Algúns expertos argumentan que os métodos alternativos, como engadir funcións ás redes profundas que imitan as habilidades humanas, poden ser máis eficaces para mellorar as capacidades da IA.

Aplicacións para a IA neurosimbólica

Algunhas aplicacións para a IA neurosimbólica poden incluír:

• Os bots, como os chatbots, que poden comprender mellor os comandos e a motivación humana, producindo respostas e servizos máis precisos.
• A súa aplicación en escenarios de resolución de problemas máis complexos e sensibles como o diagnóstico médico, a planificación do tratamento e o desenvolvemento de fármacos. A tecnoloxía tamén se pode aplicar para acelerar a investigación científica e tecnolóxica en campos como o transporte, a enerxía e a fabricación. 
• A automatización dos procesos de toma de decisións que actualmente requiren criterio humano. Como resultado, tales aplicacións poden levar a unha perda de empatía e responsabilidade en certos campos como o servizo ao cliente.
• Electrodomésticos intelixentes máis intuitivos e asistentes virtuais que poden procesar diferentes escenarios, como conservar electricidade de forma proactiva e implementar medidas de seguridade.
• Novas cuestións éticas e legais, como cuestións relacionadas coa privacidade, a propiedade e a responsabilidade.
• Mellora na toma de decisións no goberno e noutros contextos políticos. Esta tecnoloxía tamén se podería utilizar para influír na opinión pública mediante unha publicidade máis dirixida e a xeración de anuncios e medios hiperpersonalizados.

Preguntas a ter en conta

• De que outra maneira pensas que a IA neurosimbólica afectará o noso día a día?
• Como se pode utilizar esta tecnoloxía noutras industrias?