Neuro-szimbolikus AI: Egy gép, amely végre képes kezelni a logikát és a tanulást is

• Szerző:
• Szerző neve

  Quantumrun Foresight
• April 13, 2023

A gépi tanulás (ML) mindig is ígéretes technológia volt a maga egyedi kihívásaival, de a kutatók olyan logikai alapú rendszer létrehozására törekednek, amely túlmutat a big datan. A logikai alapú rendszereket úgy tervezték, hogy szimbolikus reprezentációkkal és érveléssel működjenek, ami átláthatóbb és értelmezhetőbb módot nyújthat a rendszer döntéshozatali folyamatának megértésére. 

Neuro-szimbolikus AI kontextus

A neuro-szimbolikus AI (más néven összetett AI) a mesterséges intelligencia (AI) két ágát egyesíti. Az első a szimbolikus mesterséges intelligencia, amely szimbólumokat használ a kapcsolatok és szabályok (azaz egy tárgy színének és alakjának) megértésére. A szimbolikus mesterséges intelligencia működéséhez a tudásbázisnak pontosnak, részletesnek és kimerítőnek kell lennie. Ez a követelmény azt jelenti, hogy nem tud magától tanulni, és az emberi szakértelemtől függ a tudásbázis folyamatos frissítése. 

A neuro-szimbolikus AI másik összetevője a mély neurális hálózatok (deep nets) vagy a mély tanulás (DL). Ez a technológia számos csomópontréteget használ, amelyek utánozzák az emberi agy neuronjait, hogy önállóan tanuljanak meg nagy adathalmazokat feldolgozni. Például a mélyhálók különböző macskák és kutyák képén mennek keresztül, hogy pontosan azonosítsák, melyik melyik, és idővel javulnak. A mélyhálók azonban nem képesek bonyolult kapcsolatokat feldolgozni. A szimbolikus mesterséges intelligencia és a mélyhálók kombinálásával a kutatók a DL segítségével nagy mennyiségű adatot gyűjtenek a tudásbázisba, ami után a szimbolikus AI szabályokat és kapcsolatokat tud következtetni vagy azonosítani. Ez a kombináció hatékonyabb és pontosabb tudásfeltárást és döntéshozatalt tesz lehetővé.

A neuro-szimbolikus mesterséges intelligencia egy másik területe a mélyháló költséges képzési folyamata. Ezenkívül a mélyhálózatok érzékenyek lehetnek a bemeneti adatok kis változásaira, ami osztályozási hibákhoz vezethet. Az absztrakt érveléssel és a kérdések megválaszolásával is küszködnek, sok képzési adat nélkül. Ezen túlmenően ezeknek a hálózatoknak a belső működése összetett és az emberek számára nehezen érthető, ezért kihívást jelent az előrejelzéseik mögött meghúzódó érvelések értelmezése.

Bomlasztó hatás

A Stanford Egyetem kutatói az összetett mesterséges intelligencia kezdeti vizsgálatait végezték el 100,000 3 kép felhasználásával alapvető 98.9D-s formákról (négyzetek, gömbök, hengerek stb.). Ezután különböző kérdések segítségével tanították meg a hibridet az adatok feldolgozására és a kapcsolatokra (pl. pirosak a kockák?) ). Azt találták, hogy a neuro-szimbolikus mesterséges intelligencia az esetek 10 százalékában helyesen válaszol ezekre a kérdésekre. Ezenkívül a hibridnek csak a képzési adatok XNUMX százalékára volt szüksége a megoldások kifejlesztéséhez. 

Mivel a szimbólumok vagy szabályok irányítják a mélyhálókat, a kutatók könnyen láthatják, hogyan „tanulnak”, és hol fordulnak elő meghibásodások. Korábban ez volt a mélyhálók egyik gyenge pontja, hogy képtelenség követni az összetett kódok és algoritmusok rétegei és rétegei miatt. A neuro-szimbolikus mesterséges intelligencia önvezető járművekben tesztelik, hogy felismerjék az úton lévő tárgyakat és a környezetben bekövetkező változásokat. Ezután megtanítják megfelelően reagálni ezekre a külső tényezőkre. 

Arról azonban megoszlanak a vélemények, hogy a szimbolikus mesterséges intelligencia és a mélyhálók kombinációja a legjobb út-e a fejlettebb mesterséges intelligencia felé. Egyes kutatók, például a Brown Egyetem kutatói úgy vélik, hogy ez a hibrid megközelítés nem feltétlenül felel meg az emberi elme által elért absztrakt érvelés szintjének. Az emberi elme képes létrehozni a tárgyak szimbolikus reprezentációit, és különféle típusú érveléseket végezni ezekkel a szimbólumokkal, biológiai neurális hálózatok használatával anélkül, hogy külön szimbolikus komponensre lenne szüksége. Egyes szakértők azzal érvelnek, hogy az alternatív módszerek, mint például az emberi képességeket utánzó funkciók hozzáadása a mélyhálókhoz, hatékonyabbak lehetnek az AI-képességek fejlesztésében.

Alkalmazások neuro-szimbolikus AI-hoz

A neuro-szimbolikus mesterséges intelligencia egyes alkalmazásai a következők lehetnek:

• Botok, például chatbotok, amelyek jobban megértik az emberi parancsokat és motivációkat, pontosabb válaszokat és szolgáltatásokat adva.
• Alkalmazása összetettebb és érzékenyebb problémamegoldó forgatókönyvekben, mint például az orvosi diagnózis, a kezelés tervezése és a gyógyszerfejlesztés. A technológia a tudományos és technológiai kutatások felgyorsítására is alkalmazható olyan területeken, mint a közlekedés, az energia és a gyártás. 
• A jelenleg emberi ítélőképességet igénylő döntéshozatali folyamatok automatizálása. Ennek eredményeként az ilyen alkalmazások az empátia és az elszámoltathatóság elvesztéséhez vezethetnek bizonyos területeken, például az ügyfélszolgálaton.
• Intuitívabb intelligens készülékek és virtuális asszisztensek, amelyek különböző forgatókönyveket képesek feldolgozni, például proaktívan takarékoskodnak az árammal és biztonsági intézkedéseket hajtanak végre.
• Új etikai és jogi kérdések, például az adatvédelemmel, tulajdonjoggal és felelősséggel kapcsolatos kérdések.
• Javított döntéshozatal kormányzati és más politikai kontextusban. Ezt a technológiát a közvélemény befolyásolására is lehetne használni célzottabb reklámozással, valamint hiper-személyre szabott hirdetések és médiák generálásával.

Megfontolandó kérdések

• Szerinted a neuro-szimbolikus mesterséges intelligencia hogyan befolyásolja a mindennapi életünket?
• Hogyan használható ez a technológia más iparágakban?