Նեյրո-սիմվոլիկ AI. Մեքենա, որը վերջապես կարող է կառավարել և՛ տրամաբանությունը, և՛ սովորելը

• Հեղինակ:
• Հեղինակ անունը

  Quantumrun Հեռատեսություն
• Ապրիլ 13, 2023

Մեքենայական ուսուցումը (ML) միշտ եղել է խոստումնալից տեխնոլոգիա՝ իր յուրահատուկ մարտահրավերներով, սակայն հետազոտողները ձգտում են ստեղծել տրամաբանության վրա հիմնված համակարգ, որը դուրս է գալիս մեծ տվյալների սահմաններից: Տրամաբանության վրա հիմնված համակարգերը նախագծված են աշխատելու սիմվոլիկ ներկայացումների և պատճառաբանությունների հետ, որոնք կարող են ապահովել ավելի թափանցիկ և մեկնաբանելի եղանակ՝ հասկանալու համակարգի որոշումների կայացման գործընթացը: 

Նեյրո-խորհրդանշական AI համատեքստ

Նեյրո-սիմվոլիկ AI (նաև կոչվում է կոմպոզիտային AI) միավորում է արհեստական ​​ինտելեկտի երկու ճյուղեր (AI): Առաջինը խորհրդանշական AI-ն է, որն օգտագործում է սիմվոլներ հարաբերություններն ու կանոնները հասկանալու համար (այսինքն՝ առարկայի գույնն ու ձևը): Որպեսզի խորհրդանշական AI-ն աշխատի, գիտելիքների բազան պետք է լինի ճշգրիտ, մանրամասն և սպառիչ: Այս պահանջը նշանակում է, որ այն չի կարող ինքնուրույն սովորել և կախված է մարդկային փորձից՝ շարունակելու գիտելիքների բազան թարմացնելը: 

Նեյրո-սիմվոլիկ AI-ի մյուս բաղադրիչը խորը նյարդային ցանցերն են (խորը ցանցերը) կամ խորը ուսուցումը (DL): Այս տեխնոլոգիան օգտագործում է հանգույցների բազմաթիվ շերտեր, որոնք նմանակում են մարդու ուղեղի նեյրոններին, որպեսզի ինքնուրույն սովորեն մշակել մեծ տվյալների հավաքածուներ: Օրինակ, խորը ցանցերը կարող են անցնել կատուների և շների տարբեր պատկերների միջով՝ ճշգրիտ բացահայտելու համար, թե որն է, և դրանք ժամանակի ընթացքում բարելավվում են: Այնուամենայնիվ, այն, ինչ խորը ցանցերը չեն կարող անել, բարդ հարաբերությունների մշակումն է: Համատեղելով խորհրդանշական AI-ն և խորը ցանցերը՝ հետազոտողները օգտագործում են DL-ը՝ մեծ քանակությամբ տվյալներ փոխանցելու գիտելիքների բազա, որից հետո խորհրդանշական AI-ն կարող է եզրակացնել կամ բացահայտել կանոններն ու հարաբերությունները: Այս համադրությունը թույլ է տալիս ավելի արդյունավետ և ճշգրիտ գիտելիքների բացահայտում և որոշումներ կայացնել:

Մեկ այլ ոլորտ, որին անդրադառնում է նեյրո-խորհրդանշական AI-ն, խորը ցանցի ծախսատար ուսուցման գործընթացն է: Բացի այդ, խորը ցանցերը կարող են զգայուն լինել մուտքային տվյալների փոքր փոփոխությունների նկատմամբ, ինչը հանգեցնում է դասակարգման սխալների: Նրանք նաև պայքարում են վերացական պատճառաբանության և առանց վերապատրաստման շատ տվյալների պատասխանելու հարցերին: Ավելին, այս ցանցերի ներքին աշխատանքը բարդ է և դժվար հասկանալի մարդկանց համար, ինչը դժվար է դարձնում մեկնաբանել նրանց կանխատեսումների հիմքում ընկած պատճառաբանությունները:

Խանգարող ազդեցություն

Սթենֆորդի համալսարանի հետազոտողները կատարել են կոմպոզիտային AI-ի նախնական ուսումնասիրություններ՝ օգտագործելով հիմնական 100,000D ձևերի 3 պատկերներ (քառակուսիներ, գնդեր, գլաններ և այլն): Նրանք այնուհետև օգտագործեցին տարբեր հարցեր՝ հիբրիդին սովորեցնելու համար մշակել տվյալները և եզրակացնել հարաբերությունները (օրինակ՝ արդյոք խորանարդները կարմիր են: ). Նրանք պարզել են, որ նեյրո-սիմվոլիկ AI-ն կարող է ճիշտ պատասխանել այս հարցերին 98.9 տոկոս դեպքերում: Բացի այդ, լուծումներ մշակելու համար հիբրիդը պահանջում էր վերապատրաստման տվյալների միայն 10 տոկոսը: 

Քանի որ խորհրդանիշները կամ կանոնները վերահսկում են խորը ցանցերը, հետազոտողները կարող են հեշտությամբ տեսնել, թե ինչպես են դրանք «սովորում» և որտեղ են տեղի ունենում խափանումներ: Նախկինում սա խորը ցանցերի թույլ կողմերից մեկն էր՝ հետևելու անհնարինությունը բարդ կոդերի և ալգորիթմների շերտերի և շերտերի պատճառով: Նեյրո-սիմվոլիկ արհեստական ​​ինտելեկտը փորձարկվում է ինքնակառավարվող մեքենաներում՝ ճանապարհին գտնվող առարկաները և շրջակա միջավայրի ցանկացած փոփոխություն ճանաչելու համար: Այնուհետև այն մարզվում է այս արտաքին գործոններին համապատասխան արձագանքելու համար: 

Այնուամենայնիվ, կան տարբեր կարծիքներ այն մասին, թե արդյոք խորհրդանշական AI-ի և խորը ցանցերի համադրությունը լավագույն ճանապարհն է դեպի ավելի առաջադեմ AI: Որոշ հետազոտողներ, ինչպիսիք են Բրաունի համալսարանի գիտնականները, կարծում են, որ այս հիբրիդային մոտեցումը կարող է չհամընկնել մարդկային մտքերի կողմից ձեռք բերված վերացական դատողության մակարդակին: Մարդկային միտքը կարող է ստեղծել առարկաների խորհրդանշական պատկերացումներ և իրականացնել տարբեր տեսակի հիմնավորումներ՝ օգտագործելով այդ խորհրդանիշները՝ օգտագործելով կենսաբանական նեյրոնային ցանցերը՝ առանց հատուկ խորհրդանշական բաղադրիչի կարիքի: Որոշ փորձագետներ պնդում են, որ այլընտրանքային մեթոդները, ինչպիսիք են մարդկային կարողությունները ընդօրինակող խորը ցանցերին հնարավորություններ ավելացնելը, կարող են ավելի արդյունավետ լինել արհեստական ​​ինտելեկտի կարողությունները բարձրացնելու համար:

Նեյրո-խորհրդանշական AI-ի կիրառումներ

Նեյրո-խորհրդանշական AI-ի որոշ հավելվածներ կարող են ներառել.

• Բոտերը, ինչպիսիք են չաթ-բոտերը, որոնք կարող են ավելի լավ հասկանալ մարդու հրամաններն ու մոտիվացիան՝ ավելի ճշգրիտ պատասխաններ և ծառայություններ տալով:
• Դրա կիրառումը խնդիրների լուծման ավելի բարդ և զգայուն սցենարներում, ինչպիսիք են բժշկական ախտորոշումը, բուժման պլանավորումը և դեղերի մշակումը: Տեխնոլոգիան կարող է կիրառվել նաև գիտական ​​և տեխնոլոգիական հետազոտություններն արագացնելու համար այնպիսի ոլորտներում, ինչպիսիք են տրանսպորտը, էներգետիկան և արտադրությունը: 
• Որոշումների կայացման գործընթացների ավտոմատացում, որոնք ներկայումս պահանջում են մարդկային դատողություն: Արդյունքում, նման հավելվածները կարող են հանգեցնել կարեկցանքի և հաշվետվողականության կորստի որոշակի ոլորտներում, ինչպիսիք են հաճախորդների սպասարկումը:
• Ավելի ինտուիտիվ խելացի սարքեր և վիրտուալ օգնականներ, որոնք կարող են մշակել տարբեր սցենարներ, ինչպիսիք են էլեկտրաէներգիայի ակտիվ խնայողությունը և անվտանգության միջոցառումների իրականացումը:
• Նոր էթիկական և իրավական հարցեր, ինչպիսիք են գաղտնիության, սեփականության և պատասխանատվության հետ կապված հարցեր:
• Կառավարության և այլ քաղաքական համատեքստերում որոշումների կայացման բարելավում: Այս տեխնոլոգիան կարող է օգտագործվել նաև հանրային կարծիքի վրա ազդելու համար ավելի նպատակային գովազդի և հիպերանձնավորված գովազդների և լրատվամիջոցների ստեղծման միջոցով:

Հարցեր, որոնք պետք է հաշվի առնել

• Ի՞նչ եք կարծում, նեյրո-խորհրդանշական AI-ն այլ կերպ ինչպե՞ս կանդրադառնա մեր առօրյա կյանքի վրա:
• Ինչպե՞ս կարող է այս տեխնոլոգիան օգտագործվել այլ ոլորտներում: