Neiro simboliskā ai mašīna beidzot var tikt galā gan ar loģiku, gan mācīšanos

ATTĒLA KREDĪTS:

iStock

Neirosimboliskais AI: mašīna, kas beidzot var tikt galā gan ar loģiku, gan mācīšanos

Simboliskajam mākslīgajam intelektam (AI) un dziļajiem neironu tīkliem ir ierobežojumi, taču zinātnieki ir atklājuši veidu, kā tos apvienot un izveidot viedāku AI.

Autors:
Autors nosaukums
Quantumrun Foresight
Aprīlis 13, 2023

Mašīnmācība (ML) vienmēr ir bijusi daudzsološa tehnoloģija ar tās unikālajiem izaicinājumiem, taču pētnieki vēlas izveidot uz loģiku balstītu sistēmu, kas pārsniedz lielus datus. Uz loģiku balstītas sistēmas ir paredzētas darbam ar simboliskiem attēlojumiem un argumentāciju, kas var nodrošināt pārredzamāku un interpretējamāku veidu, kā izprast sistēmas lēmumu pieņemšanas procesu.

Neirosimboliskais AI konteksts

Neirosimboliskais AI (saukts arī par salikto AI) apvieno divas mākslīgā intelekta (AI) nozares. Pirmkārt, tas ir simboliskais AI, kas izmanto simbolus, lai izprastu attiecības un noteikumus (ti, objekta krāsu un formu). Lai simboliskais AI darbotos, zināšanu bāzei jābūt precīzai, detalizētai un izsmeļošai. Šī prasība nozīmē, ka tā nevar mācīties pati un ir atkarīga no cilvēku zināšanām, lai turpinātu atjaunināt zināšanu bāzi.

Otra neirosimboliskā AI sastāvdaļa ir dziļie neironu tīkli (dziļie tīkli) vai dziļā mācīšanās (DL). Šī tehnoloģija izmanto daudzus mezglu slāņus, kas atdarina cilvēka smadzeņu neironus, lai paši mācītos apstrādāt lielas datu kopas. Piemēram, dziļi tīkli var iziet cauri dažādiem kaķu un suņu attēliem, lai precīzi noteiktu, kurš ir kurš, un laika gaitā tie uzlabojas. Tomēr dziļie tīkli nespēj apstrādāt sarežģītas attiecības. Apvienojot simbolisko AI un dziļos tīklus, pētnieki izmanto DL, lai zināšanu bāzē ievietotu lielu datu apjomu, pēc kura simboliskais AI var secināt vai noteikt noteikumus un attiecības. Šī kombinācija ļauj efektīvāk un precīzāk atklāt zināšanas un pieņemt lēmumus.

Vēl viena joma, uz kuru attiecas neirosimboliskais AI, ir dziļā tīkla dārgais apmācības process. Turklāt dziļie tīkli var būt jutīgi pret nelielām ievades datu izmaiņām, izraisot klasifikācijas kļūdas. Viņi arī cīnās ar abstraktu spriešanu un atbildēm uz jautājumiem bez daudz apmācības datu. Turklāt šo tīklu iekšējā darbība ir sarežģīta un cilvēkiem grūti saprotama, tāpēc ir grūti interpretēt viņu prognožu pamatojumu.

Traucējoša ietekme

Pētnieki no Stenfordas universitātes veica sākotnējos pētījumus par kompozītmateriālu AI, izmantojot 100,000 3 attēlu ar pamata 98.9D formām (kvadrātiem, sfērām, cilindriem utt.). Pēc tam viņi izmantoja dažādus jautājumus, lai apmācītu hibrīdu apstrādāt datus un secināt attiecības (piemēram, vai kubi ir sarkani? ). Viņi atklāja, ka neirosimboliskais AI varētu pareizi atbildēt uz šiem jautājumiem 10 procentus laika. Turklāt, lai izstrādātu risinājumus, hibrīdam bija nepieciešami tikai XNUMX procenti apmācības datu.

Tā kā simboli vai noteikumi kontrolē dziļus tīklus, pētnieki var viegli redzēt, kā viņi “mācās” un kur notiek bojājumi. Iepriekš tā ir bijusi viena no dziļo tīklu vājajām vietām, nespēja tikt izsekojamam sarežģītu kodu un algoritmu slāņu un slāņu dēļ. Neirosimboliskais AI tiek testēts pašbraucošos transportlīdzekļos, lai atpazītu objektus uz ceļa un jebkādas izmaiņas vidē. Pēc tam tas tiek apmācīts atbilstoši reaģēt uz šiem ārējiem faktoriem.

Tomēr pastāv dažādi viedokļi par to, vai simboliskā AI un dziļo tīklu kombinācija ir labākais ceļš uz progresīvāku AI. Daži pētnieki, piemēram, Brauna universitātes pētnieki, uzskata, ka šī hibrīdā pieeja var neatbilst cilvēka prāta sasniegtajam abstraktās spriešanas līmenim. Cilvēka prāts var radīt simboliskus objektu attēlojumus un veikt dažāda veida argumentāciju, izmantojot šos simbolus, izmantojot bioloģiskos neironu tīklus, bez īpašas simboliskas sastāvdaļas. Daži eksperti apgalvo, ka alternatīvas metodes, piemēram, funkciju pievienošana dziļajiem tīkliem, kas atdarina cilvēka spējas, var būt efektīvākas AI iespēju uzlabošanā.

Lietojumprogrammas neirosimboliskajam AI

Daži neirosimboliskā AI lietojumi var ietvert:

Boti, piemēram, tērzēšanas roboti, kas var labāk izprast cilvēku komandas un motivāciju, radot precīzākas atbildes un pakalpojumus.
Tās pielietojums sarežģītākos un sensitīvākos problēmu risināšanas scenārijos, piemēram, medicīniskajā diagnostikā, ārstēšanas plānošanā un zāļu izstrādē. Šo tehnoloģiju var izmantot arī, lai paātrinātu zinātnisko un tehnoloģisko izpēti tādās jomās kā transports, enerģētika un ražošana.
Lēmumu pieņemšanas procesu automatizācija, kas pašlaik prasa cilvēka spriedumu. Rezultātā šādas lietojumprogrammas var zaudēt empātijas un atbildības sajūtu noteiktās jomās, piemēram, klientu apkalpošanā.
Intuitīvākas viedās ierīces un virtuālie palīgi, kas var apstrādāt dažādus scenārijus, piemēram, proaktīvi taupīt elektroenerģiju un ieviest drošības pasākumus.
Jauni ētiski un juridiski jautājumi, piemēram, jautājumi, kas saistīti ar privātumu, īpašumtiesībām un atbildību.
Uzlabota lēmumu pieņemšana valdībā un citos politiskajos kontekstos. Šo tehnoloģiju varētu izmantot arī, lai ietekmētu sabiedrisko domu, izmantojot mērķtiecīgāku reklāmu un hiperpersonalizētu reklāmu un plašsaziņas līdzekļu ģenerēšanu.