AI neurosimbolica: una macchina che finalmente può gestire sia la logica che l'apprendimento

• Autore:
• Nome dell'autore

  Preveggenza quantistica
• 13 aprile 2023

L'apprendimento automatico (ML) è sempre stata una tecnologia promettente con le sue sfide uniche, ma i ricercatori stanno cercando di creare un sistema basato sulla logica che vada oltre i big data. I sistemi basati sulla logica sono progettati per funzionare con rappresentazioni simboliche e ragionamenti, che possono fornire un modo più trasparente e interpretabile di comprendere il processo decisionale di un sistema. 

Contesto AI neurosimbolico

L'IA neurosimbolica (chiamata anche AI ​​composita) combina due rami dell'intelligenza artificiale (AI). La prima è l'intelligenza artificiale simbolica, che utilizza i simboli per comprendere relazioni e regole (ad esempio, il colore e la forma di un oggetto). Affinché l'IA simbolica funzioni, la base di conoscenza deve essere precisa, dettagliata ed esaustiva. Questo requisito significa che non può apprendere da solo e dipende dall'esperienza umana per continuare ad aggiornare la base di conoscenza. 

L'altro componente dell'IA neurosimbolica sono le reti neurali profonde (deep net) o il deep learning (DL). Questa tecnologia utilizza numerosi strati di nodi che imitano i neuroni del cervello umano per auto-apprendere ed elaborare grandi set di dati. Ad esempio, le reti profonde possono passare attraverso diverse immagini di cani e gatti per identificare con precisione quale è quale e migliorano nel tempo. Tuttavia, ciò che le reti profonde non possono fare è elaborare relazioni complesse. Combinando l'IA simbolica e le reti profonde, i ricercatori usano il DL per sfornare grandi quantità di dati nella base di conoscenza, dopodiché l'IA simbolica può dedurre o identificare regole e relazioni. Questa combinazione consente una scoperta della conoscenza e un processo decisionale più efficienti e accurati.

Un'altra area che l'IA neurosimbolica affronta è il costoso processo di formazione della rete profonda. Inoltre, le reti profonde possono essere sensibili a piccole modifiche ai dati di input, portando a errori di classificazione. Lottano anche con ragionamenti astratti e rispondono a domande senza molti dati di formazione. Inoltre, il funzionamento interno di queste reti è complesso e difficile da comprendere per gli esseri umani, il che rende difficile interpretare il ragionamento alla base delle loro previsioni.

Impatto dirompente

I ricercatori della Stanford University hanno condotto studi iniziali sull'intelligenza artificiale composita utilizzando 100,000 immagini di forme 3D di base (quadrati, sfere, cilindri, ecc.) Hanno quindi utilizzato diverse domande per addestrare l'ibrido a elaborare dati e dedurre relazioni (ad esempio, i cubi sono rossi? ). Hanno scoperto che l'IA neurosimbolica potrebbe rispondere correttamente a queste domande il 98.9% delle volte. Inoltre, l'ibrido richiedeva solo il 10% dei dati di addestramento per sviluppare soluzioni. 

Poiché i simboli o le regole controllano le reti profonde, i ricercatori possono facilmente vedere come stanno "imparando" e dove si verificano guasti. In precedenza, questo era uno dei punti deboli delle reti profonde, l'impossibilità di essere tracciati a causa di strati e strati di codici e algoritmi complessi. L'intelligenza artificiale neurosimbolica viene testata nei veicoli a guida autonoma per riconoscere gli oggetti sulla strada e qualsiasi cambiamento nell'ambiente. Viene quindi addestrato a reagire in modo appropriato a questi fattori esterni. 

Tuttavia, ci sono opinioni divergenti sul fatto che la combinazione di IA simbolica e reti profonde sia la strada migliore verso un'IA più avanzata. Alcuni ricercatori, come quelli della Brown University, ritengono che questo approccio ibrido potrebbe non corrispondere al livello di ragionamento astratto raggiunto dalle menti umane. La mente umana può creare rappresentazioni simboliche di oggetti ed eseguire vari tipi di ragionamento utilizzando questi simboli, utilizzando reti neurali biologiche, senza bisogno di una componente simbolica dedicata. Alcuni esperti sostengono che metodi alternativi, come l'aggiunta di funzionalità alle reti profonde che imitano le capacità umane, potrebbero essere più efficaci nel migliorare le capacità dell'IA.

Applicazioni per l'IA neurosimbolica

Alcune applicazioni per l'IA neurosimbolica possono includere:

• Bot, come i chatbot, che possono comprendere meglio i comandi e le motivazioni umane, producendo risposte e servizi più accurati.
• La sua applicazione in scenari di risoluzione dei problemi più complessi e sensibili come la diagnosi medica, la pianificazione del trattamento e lo sviluppo di farmaci. La tecnologia può anche essere applicata per accelerare la ricerca scientifica e tecnologica per settori come i trasporti, l'energia e la produzione. 
• L'automazione dei processi decisionali che attualmente richiedono il giudizio umano. Di conseguenza, tali applicazioni possono portare a una perdita di empatia e responsabilità in alcuni campi come il servizio clienti.
• Appliance intelligenti e assistenti virtuali più intuitivi in ​​grado di elaborare diversi scenari, come la conservazione proattiva dell'elettricità e l'implementazione di misure di sicurezza.
• Nuove questioni etiche e legali, come le questioni relative alla privacy, alla proprietà e alla responsabilità.
• Miglioramento del processo decisionale nel governo e in altri contesti politici. Questa tecnologia potrebbe anche essere utilizzata per influenzare l'opinione pubblica attraverso una pubblicità più mirata e la generazione di pubblicità e media iper-personalizzati.

Domande da considerare

• In quale altro modo pensi che l'IA neurosimbolica influenzerà la nostra vita quotidiana?
• Come può questa tecnologia essere utilizzata in altri settori?