ન્યુરો-સિમ્બોલિક AI: એક મશીન જે આખરે તર્ક અને શિક્ષણ બંનેને સંભાળી શકે છે

ઇમેજ ક્રેડિટ:
છબી ક્રેડિટ
iStock

ન્યુરો-સિમ્બોલિક AI: એક મશીન જે આખરે તર્ક અને શિક્ષણ બંનેને સંભાળી શકે છે

ન્યુરો-સિમ્બોલિક AI: એક મશીન જે આખરે તર્ક અને શિક્ષણ બંનેને સંભાળી શકે છે

સબહેડિંગ ટેક્સ્ટ
સિમ્બોલિક આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) અને ડીપ ન્યુરલ નેટવર્કની મર્યાદાઓ છે, પરંતુ વૈજ્ઞાનિકોએ તેમને ભેગા કરીને વધુ સ્માર્ટ AI બનાવવાની રીત શોધી કાઢી છે.
    • લેખક:
    • લેખક નામ
      ક્વોન્ટમરુન અગમચેતી
    • એપ્રિલ ૨૯, ૨૦૨૧

    મશીન લર્નિંગ (ML) હંમેશા તેના અનન્ય પડકારો સાથે એક આશાસ્પદ તકનીક રહી છે, પરંતુ સંશોધકો લોજિક-આધારિત સિસ્ટમ બનાવવાનું વિચારી રહ્યા છે જે મોટા ડેટાની બહાર જાય. તર્ક-આધારિત સિસ્ટમો સાંકેતિક રજૂઆતો અને તર્ક સાથે કામ કરવા માટે બનાવવામાં આવી છે, જે સિસ્ટમની નિર્ણય લેવાની પ્રક્રિયાને સમજવાની વધુ પારદર્શક અને અર્થઘટન કરી શકાય તેવી રીત પ્રદાન કરી શકે છે. 

    ન્યુરો-સિમ્બોલિક AI સંદર્ભ

    ન્યુરો-સિમ્બોલિક AI (જેને સંયુક્ત AI પણ કહેવાય છે) કૃત્રિમ બુદ્ધિ (AI) ની બે શાખાઓને જોડે છે. પ્રથમ પ્રતીકાત્મક AI છે, જે સંબંધો અને નિયમો (એટલે ​​​​કે, પદાર્થનો રંગ અને આકાર) સમજવા માટે પ્રતીકોનો ઉપયોગ કરે છે. સાંકેતિક AI કાર્ય કરવા માટે, જ્ઞાનનો આધાર ચોક્કસ, વિગતવાર અને સંપૂર્ણ હોવો જોઈએ. આ જરૂરિયાતનો અર્થ એ છે કે તે જાતે શીખી શકતો નથી અને જ્ઞાન આધારને અપડેટ કરવાનું ચાલુ રાખવા માટે માનવ કુશળતા પર આધાર રાખે છે. 

    ન્યુરો-સિમ્બોલિક એઆઈનો અન્ય ઘટક ડીપ ન્યુરલ નેટવર્ક્સ (ડીપ નેટ્સ) અથવા ડીપ લર્નિંગ (ડીએલ) છે. આ ટેક નોડ્સના અસંખ્ય સ્તરોનો ઉપયોગ કરે છે જે મોટા ડેટાસેટ્સ પર પ્રક્રિયા કરવા માટે સ્વ-શિખવા માટે માનવ મગજના ચેતાકોષોની નકલ કરે છે. ઉદાહરણ તરીકે, ઊંડી જાળીઓ બિલાડીઓ અને કૂતરાઓની જુદી જુદી છબીઓમાંથી પસાર થઈ શકે છે અને તે ચોક્કસ રીતે ઓળખી શકે છે કે કયું છે, અને સમય જતાં તેમાં સુધારો થાય છે. જો કે, ડીપ નેટ્સ જે કરી શકતા નથી તે જટિલ સંબંધોની પ્રક્રિયા છે. સાંકેતિક AI અને ડીપ નેટ્સને સંયોજિત કરીને, સંશોધકો ડીએલનો ઉપયોગ જ્ઞાન આધારમાં મોટી માત્રામાં ડેટાને મંથન કરવા માટે કરે છે, જે પછી સાંકેતિક AI નિયમો અને સંબંધોનું અનુમાન અથવા ઓળખ કરી શકે છે. આ સંયોજન વધુ કાર્યક્ષમ અને સચોટ જ્ઞાન શોધ અને નિર્ણય લેવાની મંજૂરી આપે છે.

    અન્ય ક્ષેત્ર કે જે ન્યુરો-સિમ્બોલિક AI એડ્રેસ કરે છે તે ડીપ નેટની ખર્ચાળ તાલીમ પ્રક્રિયા છે. વધુમાં, ડીપ નેટ્સ નાના ઇનપુટ ડેટા ફેરફારો પ્રત્યે સંવેદનશીલ હોઇ શકે છે, જે વર્ગીકરણની ભૂલો તરફ દોરી જાય છે. તેઓ અમૂર્ત તર્ક સાથે પણ સંઘર્ષ કરે છે અને વધુ તાલીમ ડેટા વિના પ્રશ્નોના જવાબ આપે છે. વધુમાં, આ નેટવર્ક્સની આંતરિક કામગીરી માનવો માટે સમજવા માટે જટિલ અને મુશ્કેલ છે, જે તેમની આગાહીઓ પાછળના તર્કનું અર્થઘટન કરવાનું એક પડકાર બનાવે છે.

    વિક્ષેપકારક અસર

    સ્ટેનફોર્ડ યુનિવર્સિટીના સંશોધકોએ મૂળભૂત 100,000D આકાર (ચોરસ, ગોળા, સિલિન્ડર વગેરે) ની 3 ઈમેજોનો ઉપયોગ કરીને સંયુક્ત AI નો પ્રારંભિક અભ્યાસ હાથ ધર્યો હતો, ત્યારબાદ તેઓએ ડેટાની પ્રક્રિયા કરવા અને સંબંધોનું અનુમાન કરવા માટે હાઇબ્રિડને તાલીમ આપવા માટે વિવિધ પ્રશ્નોનો ઉપયોગ કર્યો હતો (દા.ત., શું ક્યુબ્સ લાલ છે? ). તેમને જાણવા મળ્યું કે ન્યુરો-સિમ્બોલિક AI આ પ્રશ્નોના 98.9 ટકા સમયે સાચા જવાબ આપી શકે છે. વધુમાં, હાઇબ્રિડને ઉકેલો વિકસાવવા માટે માત્ર 10 ટકા તાલીમ ડેટાની જરૂર છે. 

    પ્રતીકો અથવા નિયમો ઊંડા જાળીને નિયંત્રિત કરે છે, તેથી સંશોધકો સરળતાથી જોઈ શકે છે કે તેઓ કેવી રીતે "શિખતા" છે અને ક્યાં ભંગાણ થાય છે. અગાઉ, આ ડીપ નેટની નબળાઈઓમાંની એક રહી છે, જટિલ કોડ્સ અને એલ્ગોરિધમ્સના સ્તરો અને સ્તરોને કારણે ટ્રેક કરવાની અક્ષમતા. ન્યુરો-સિમ્બોલિક AIનું પરીક્ષણ સ્વ-ડ્રાઇવિંગ વાહનોમાં રસ્તા પરની વસ્તુઓ અને પર્યાવરણમાં થતા કોઈપણ ફેરફારોને ઓળખવા માટે કરવામાં આવી રહ્યું છે. પછી તેને આ બાહ્ય પરિબળો પર યોગ્ય રીતે પ્રતિક્રિયા આપવા માટે તાલીમ આપવામાં આવે છે. 

    જો કે, સાંકેતિક AI અને ડીપ નેટ્સનું સંયોજન વધુ અદ્યતન AI તરફનો શ્રેષ્ઠ માર્ગ છે કે કેમ તે અંગે વિવિધ મંતવ્યો છે. કેટલાક સંશોધકો, જેમ કે બ્રાઉન યુનિવર્સિટીના, માને છે કે આ વર્ણસંકર અભિગમ માનવ મન દ્વારા પ્રાપ્ત અમૂર્ત તર્કના સ્તર સાથે મેળ ખાતો નથી. માનવ મન કોઈ સમર્પિત સાંકેતિક ઘટકની જરૂર વગર, જૈવિક ન્યુરલ નેટવર્કનો ઉપયોગ કરીને, આ પ્રતીકોનો ઉપયોગ કરીને વિવિધ પ્રકારના તર્ક કરી શકે છે. કેટલાક નિષ્ણાતો દલીલ કરે છે કે વૈકલ્પિક પદ્ધતિઓ, જેમ કે માનવ ક્ષમતાઓની નકલ કરતી ડીપ નેટમાં વિશેષતાઓ ઉમેરવા, એઆઈ ક્ષમતાઓને વધારવામાં વધુ અસરકારક હોઈ શકે છે.

    ન્યુરો-સિમ્બોલિક AI માટેની અરજીઓ

    ન્યુરો-સિમ્બોલિક AI માટેની કેટલીક એપ્લિકેશનોમાં આનો સમાવેશ થઈ શકે છે:

    • બોટ્સ, જેમ કે ચેટબોટ્સ, જે માનવ આદેશો અને પ્રેરણાને વધુ સારી રીતે સમજી શકે છે, વધુ સચોટ પ્રતિભાવો અને સેવાઓ ઉત્પન્ન કરે છે.
    • તબીબી નિદાન, સારવાર આયોજન અને દવાના વિકાસ જેવા વધુ જટિલ અને સંવેદનશીલ સમસ્યા-નિરાકરણના દૃશ્યોમાં તેનો ઉપયોગ. ટેકનો ઉપયોગ પરિવહન, ઊર્જા અને ઉત્પાદન જેવા ક્ષેત્રો માટે વૈજ્ઞાનિક અને તકનીકી સંશોધનને વેગ આપવા માટે પણ કરી શકાય છે. 
    • નિર્ણય લેવાની પ્રક્રિયાઓનું ઓટોમેશન કે જેને હાલમાં માનવ નિર્ણયની જરૂર છે. પરિણામે, આવી એપ્લિકેશનો ગ્રાહક સેવા જેવા ચોક્કસ ક્ષેત્રોમાં સહાનુભૂતિ અને જવાબદારીની ખોટ તરફ દોરી શકે છે.
    • વધુ સાહજિક સ્માર્ટ એપ્લાયન્સીસ અને વર્ચ્યુઅલ આસિસ્ટન્ટ કે જે વિવિધ દૃશ્યો પર પ્રક્રિયા કરી શકે છે, જેમ કે વીજળીનું સક્રિયપણે સંરક્ષણ કરવું અને સુરક્ષા પગલાં અમલમાં મૂકવા.
    • નવા નૈતિક અને કાનૂની પ્રશ્નો, જેમ કે ગોપનીયતા, માલિકી અને જવાબદારી સંબંધિત મુદ્દાઓ.
    • સરકાર અને અન્ય રાજકીય સંદર્ભોમાં નિર્ણય લેવામાં સુધારો. આ ટેક્નોલોજીનો ઉપયોગ વધુ લક્ષિત જાહેરાતો અને હાઇપર-વ્યક્તિગત જાહેરાતો અને મીડિયાની પેઢી દ્વારા જાહેર અભિપ્રાયને પ્રભાવિત કરવા માટે પણ થઈ શકે છે.

    ધ્યાનમાં લેવાના પ્રશ્નો

    • તમને શું લાગે છે કે ન્યુરો-સિમ્બોલિક AI આપણા રોજિંદા જીવનને કેવી રીતે અસર કરશે?
    • આ ટેકનોલોજીનો ઉપયોગ અન્ય ઉદ્યોગોમાં કેવી રીતે થઈ શકે?

    આંતરદૃષ્ટિ સંદર્ભો

    આ આંતરદૃષ્ટિ માટે નીચેની લોકપ્રિય અને સંસ્થાકીય લિંક્સનો સંદર્ભ આપવામાં આવ્યો હતો:

    જાણીતું મેગેઝિન AI ની આગામી મોટી છલાંગ