Невросимболична вештачка интелигенција: Машина која конечно може да се справи и со логиката и со учењето

• автор:
• име на авторот

  Quantumrun Foresight
• Април 13, 2023

Машинското учење (ML) отсекогаш била ветувачка технологија со своите уникатни предизвици, но истражувачите бараат да создадат систем заснован на логика што ги надминува големите податоци. Системите засновани на логика се дизајнирани да работат со симболични претстави и расудување, што може да обезбеди потранспарентен и интерпретабилен начин за разбирање на процесот на донесување одлуки на системот. 

Невросимболичен контекст на вештачка интелигенција

Невросимболичната вештачка интелигенција (исто така наречена композитна вештачка интелигенција) комбинира две гранки на вештачката интелигенција (ВИ). Првата е симболичната вештачка интелигенција, која користи симболи за да ги разбере односите и правилата (т.е. бојата и обликот на објектот). За да функционира симболичната вештачка интелигенција, базата на знаење мора да биде прецизна, детална и исцрпна. Ова барање значи дека не може сам да научи и зависи од човечката експертиза за да продолжи да ја ажурира базата на знаење. 

Другата компонента на невро-симболичката вештачка интелигенција е длабоките невронски мрежи (длабоки мрежи) или длабокото учење (DL). Оваа технологија користи бројни слоеви на јазли кои ги имитираат невроните на човечкиот мозок за самостојно учење да обработуваат големи збирки податоци. На пример, длабоките мрежи можат да поминат низ различни слики на мачки и кучиња за прецизно да идентификуваат која е која и тие се подобруваат со текот на времето. Сепак, она што длабоките мрежи не можат да го направат е да обработуваат сложени односи. Со комбинирање на симболична вештачка интелигенција и длабоки мрежи, истражувачите користат DL за да внесат големи количини на податоци во базата на знаење, по што симболичната вештачка интелигенција може да заклучи или идентификува правила и односи. Оваа комбинација овозможува поефикасно и попрецизно откривање на знаењето и донесување одлуки.

Друга област на која се однесува невро-симболичната вештачка интелигенција е скапиот процес на обука на длабоката мрежа. Дополнително, длабоките мрежи можат да бидат чувствителни на мали промени на влезните податоци, што доведува до грешки во класификацијата. Тие, исто така, се борат со апстрактно расудување и одговарање на прашања без многу податоци за обука. Понатаму, внатрешното функционирање на овие мрежи е сложено и тешко разбирливо за луѓето, што го прави предизвик да се протолкува резонирањето зад нивните предвидувања.

Нарушувачко влијание

Истражувачите од Универзитетот Стенфорд спроведоа првични студии за композитна вештачка интелигенција користејќи 100,000 слики од основни 3Д форми (квадрати, сфери, цилиндри, итн.) Тие потоа користеа различни прашања за да го обучат хибридот да обработува податоци и да заклучува врски (на пример, дали коцките се црвени? ). Откриле дека невро-симболичката вештачка интелигенција може точно да одговори на овие прашања во 98.9 проценти од времето. Дополнително, на хибридот му беа потребни само 10 проценти од податоците за обуката за да развие решенија. 

Бидејќи симболите или правилата контролираат длабоки мрежи, истражувачите можат лесно да видат како тие „учат“ и каде се случуваат дефекти. Претходно, ова беше една од слабостите на длабоките мрежи, неможноста да се следи поради слоевите и слоевите сложени кодови и алгоритми. Невросимболичната вештачка интелигенција се тестира во самоуправувачки возила за да препознае предмети на патот и какви било промени во околината. Потоа се тренира соодветно да реагира на овие надворешни фактори. 

Сепак, постојат различни мислења за тоа дали комбинацијата на симболична ВИ и длабоки мрежи е најдобриот пат кон понапредна вештачка интелигенција. Некои истражувачи, како оние од Универзитетот Браун, веруваат дека овој хибриден пристап можеби не одговара на нивото на апстрактно расудување постигнато од човечките умови. Човечкиот ум може да создаде симболични претстави на предмети и да изведува различни видови расудување користејќи ги овие симболи, користејќи биолошки невронски мрежи, без да има потреба од посветена симболичка компонента. Некои експерти тврдат дека алтернативните методи, како што е додавањето карактеристики на длабоките мрежи што ги имитираат човечките способности, може да бидат поефикасни во подобрувањето на способностите за вештачка интелигенција.

Апликации за невро-симболичка вештачка интелигенција

Некои апликации за невро-симболичка вештачка интелигенција може да вклучуваат:

• Ботови, како што се чет-ботови, кои можат подобро да ги разберат човечките команди и мотивација, создавајќи попрецизни одговори и услуги.
• Неговата примена во посложени и чувствителни сценарија за решавање проблеми како што се медицинска дијагноза, планирање третман и развој на лекови. Технологијата може да се примени и за да се забрзаат научните и технолошките истражувања за области како што се транспортот, енергијата и производството. 
• Автоматизација на процесите на донесување одлуки кои во моментов бараат човечко расудување. Како резултат на тоа, таквите апликации може да доведат до губење на емпатијата и одговорноста во одредени области како што е услугата за клиенти.
• Поинтуитивни паметни апарати и виртуелни асистенти кои можат да обработат различни сценарија, како што се проактивно заштеда на електрична енергија и спроведување безбедносни мерки.
• Нови етички и правни прашања, како што се прашања поврзани со приватноста, сопственоста и одговорноста.
• Подобрено одлучување во владата и други политички контексти. Оваа технологија може да се користи и за да се влијае на јавното мислење преку повеќе насочено рекламирање и генерирање на хиперперсонализирани реклами и медиуми.

Прашања што треба да се разгледаат

• Како инаку мислите дека невро-симболичката вештачка интелигенција ќе влијае на нашиот секојдневен живот?
• Како оваа технологија може да се користи во други индустрии?