ന്യൂറോ-സിംബോളിക് AI: യുക്തിയും പഠനവും അവസാനം കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ഒരു യന്ത്രം

• രചയിതാവ്:
• രചയിതാവിന്റെ പേര്

  Quantumrun ദീർഘവീക്ഷണം
• ഏപ്രിൽ 13, 2023

മെഷീൻ ലേണിംഗ് (ML) എല്ലായ്പ്പോഴും അതിന്റെ അതുല്യമായ വെല്ലുവിളികളുള്ള ഒരു വാഗ്ദാന സാങ്കേതികവിദ്യയാണ്, എന്നാൽ വലിയ ഡാറ്റയ്ക്ക് അതീതമായ ഒരു ലോജിക് അധിഷ്ഠിത സിസ്റ്റം സൃഷ്ടിക്കാൻ ഗവേഷകർ നോക്കുന്നു. ലോജിക് അധിഷ്‌ഠിത സംവിധാനങ്ങൾ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നത് പ്രതീകാത്മക പ്രതിനിധാനങ്ങളോടും യുക്തിവാദത്തോടും കൂടി പ്രവർത്തിക്കുന്നതിനാണ്, ഇത് ഒരു സിസ്റ്റത്തിന്റെ തീരുമാനമെടുക്കൽ പ്രക്രിയ മനസ്സിലാക്കുന്നതിന് കൂടുതൽ സുതാര്യവും വ്യാഖ്യാനിക്കാവുന്നതുമായ മാർഗം പ്രദാനം ചെയ്യുന്നു. 

ന്യൂറോ-സിംബോളിക് AI സന്ദർഭം

ന്യൂറോ-സിംബോളിക് AI (കോമ്പോസിറ്റ് AI എന്നും അറിയപ്പെടുന്നു) ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ (AI) രണ്ട് ശാഖകളെ സംയോജിപ്പിക്കുന്നു. ആദ്യത്തേത് പ്രതീകാത്മക AI ആണ്, ബന്ധങ്ങളും നിയമങ്ങളും (അതായത്, ഒരു വസ്തുവിന്റെ നിറവും ആകൃതിയും) മനസ്സിലാക്കാൻ ചിഹ്നങ്ങൾ ഉപയോഗിക്കുന്നു. പ്രതീകാത്മക AI പ്രവർത്തിക്കുന്നതിന്, വിജ്ഞാന അടിത്തറ കൃത്യവും വിശദവും സമഗ്രവുമായിരിക്കണം. ഈ ആവശ്യകത അർത്ഥമാക്കുന്നത് അതിന് സ്വയം പഠിക്കാൻ കഴിയില്ലെന്നും വിജ്ഞാന അടിത്തറ അപ്‌ഡേറ്റ് ചെയ്യുന്നത് തുടരാൻ മനുഷ്യ വൈദഗ്ധ്യത്തെ ആശ്രയിച്ചിരിക്കുന്നു എന്നാണ്. 

ന്യൂറോ-സിംബോളിക് എഐയുടെ മറ്റൊരു ഘടകം ഡീപ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (ഡീപ് നെറ്റ്‌സ്) അല്ലെങ്കിൽ ഡീപ് ലേണിംഗ് (ഡിഎൽ) ആണ്. വലിയ ഡാറ്റാസെറ്റുകൾ പ്രോസസ്സ് ചെയ്യാൻ സ്വയം പഠിക്കാൻ ഈ സാങ്കേതികവിദ്യ മനുഷ്യ മസ്തിഷ്കത്തിന്റെ ന്യൂറോണുകളെ അനുകരിക്കുന്ന നിരവധി നോഡുകളുടെ പാളികൾ ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ആഴത്തിലുള്ള വലകൾക്ക് പൂച്ചകളുടെയും നായ്ക്കളുടെയും വ്യത്യസ്ത ചിത്രങ്ങളിലൂടെ കടന്നുപോകാൻ കഴിയും, ഏതാണെന്ന് കൃത്യമായി തിരിച്ചറിയുകയും കാലക്രമേണ അവ മെച്ചപ്പെടുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ആഴത്തിലുള്ള വലകൾക്ക് ചെയ്യാൻ കഴിയാത്തത് സങ്കീർണ്ണമായ ബന്ധങ്ങൾ പ്രോസസ്സ് ചെയ്യുക എന്നതാണ്. പ്രതീകാത്മക AI-യും ആഴത്തിലുള്ള വലകളും സംയോജിപ്പിച്ച്, വലിയ അളവിലുള്ള ഡാറ്റ വിജ്ഞാന അടിത്തറയിലേക്ക് മാറ്റാൻ ഗവേഷകർ DL ഉപയോഗിക്കുന്നു, അതിനുശേഷം പ്രതീകാത്മക AI-ക്ക് നിയമങ്ങളും ബന്ധങ്ങളും അനുമാനിക്കാനോ തിരിച്ചറിയാനോ കഴിയും. ഈ സംയോജനം കൂടുതൽ കാര്യക്ഷമവും കൃത്യവുമായ അറിവ് കണ്ടെത്തുന്നതിനും തീരുമാനങ്ങൾ എടുക്കുന്നതിനും അനുവദിക്കുന്നു.

ന്യൂറോ-സിംബോളിക് AI വിലാസങ്ങൾ ഡീപ് നെറ്റിന്റെ ചെലവേറിയ പരിശീലന പ്രക്രിയയാണ്. കൂടാതെ, ആഴത്തിലുള്ള വലകൾ ചെറിയ ഇൻപുട്ട് ഡാറ്റ മാറ്റങ്ങളോട് സംവേദനക്ഷമതയുള്ളതാണ്, ഇത് വർഗ്ഗീകരണ പിശകുകളിലേക്ക് നയിക്കുന്നു. കൂടുതൽ പരിശീലന ഡാറ്റയില്ലാതെ അമൂർത്തമായ ന്യായവാദത്തിലും ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നതിനും അവർ ബുദ്ധിമുട്ടുന്നു. കൂടാതെ, ഈ നെറ്റ്‌വർക്കുകളുടെ ആന്തരിക പ്രവർത്തനങ്ങൾ സങ്കീർണ്ണവും മനുഷ്യർക്ക് മനസ്സിലാക്കാൻ ബുദ്ധിമുട്ടുള്ളതുമാണ്, ഇത് അവരുടെ പ്രവചനങ്ങൾക്ക് പിന്നിലെ ന്യായവാദം വ്യാഖ്യാനിക്കുന്നത് ഒരു വെല്ലുവിളിയാണ്.

തടസ്സപ്പെടുത്തുന്ന ആഘാതം

സ്റ്റാൻഫോർഡ് സർവ്വകലാശാലയിലെ ഗവേഷകർ അടിസ്ഥാന 100,000D രൂപങ്ങളുടെ (ചതുരങ്ങൾ, ഗോളങ്ങൾ, സിലിണ്ടറുകൾ മുതലായവ) 3 ചിത്രങ്ങൾ ഉപയോഗിച്ച് സംയോജിത AI-യുടെ പ്രാരംഭ പഠനങ്ങൾ നടത്തി, തുടർന്ന് ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിനും ബന്ധങ്ങൾ അനുമാനിക്കുന്നതിനും ഹൈബ്രിഡിനെ പരിശീലിപ്പിക്കാൻ അവർ വ്യത്യസ്ത ചോദ്യങ്ങൾ ഉപയോഗിച്ചു (ഉദാ, ക്യൂബുകൾ ചുവപ്പാണോ? ). ന്യൂറോ-സിംബോളിക് AI ഈ ചോദ്യങ്ങൾക്ക് 98.9 ശതമാനം സമയവും കൃത്യമായി ഉത്തരം നൽകാൻ കഴിയുമെന്ന് അവർ കണ്ടെത്തി. കൂടാതെ, പരിഹാരങ്ങൾ വികസിപ്പിക്കുന്നതിന് ഹൈബ്രിഡിന് പരിശീലന ഡാറ്റയുടെ 10 ശതമാനം മാത്രമേ ആവശ്യമുള്ളൂ. 

ചിഹ്നങ്ങളോ നിയമങ്ങളോ ആഴത്തിലുള്ള വലകളെ നിയന്ത്രിക്കുന്നതിനാൽ, ഗവേഷകർക്ക് അവ എങ്ങനെ “പഠിക്കുന്നു” എന്നും എവിടെയാണ് തകരാറുകൾ സംഭവിക്കുന്നത് എന്നും എളുപ്പത്തിൽ കാണാൻ കഴിയും. മുമ്പ്, ആഴത്തിലുള്ള വലകളുടെ ദൗർബല്യങ്ങളിൽ ഒന്നായിരുന്നു ഇത്, സങ്കീർണ്ണമായ കോഡുകളുടെയും അൽഗോരിതങ്ങളുടെയും പാളികളും പാളികളും കാരണം ട്രാക്ക് ചെയ്യാനുള്ള കഴിവില്ലായ്മ. റോഡിലെ വസ്തുക്കളെയും പരിസ്ഥിതിയിലെ മാറ്റങ്ങളെയും തിരിച്ചറിയാൻ സ്വയം ഓടിക്കുന്ന വാഹനങ്ങളിൽ ന്യൂറോ-സിംബോളിക് AI പരീക്ഷിക്കുന്നു. ഈ ബാഹ്യ ഘടകങ്ങളോട് ഉചിതമായി പ്രതികരിക്കാൻ അത് പരിശീലിപ്പിക്കപ്പെടുന്നു. 

എന്നിരുന്നാലും, സിംബോളിക് AI, ഡീപ് നെറ്റ് എന്നിവയുടെ സംയോജനമാണ് കൂടുതൽ പുരോഗമിച്ച AI-ലേക്കുള്ള ഏറ്റവും നല്ല പാത എന്ന കാര്യത്തിൽ വ്യത്യസ്ത അഭിപ്രായങ്ങളുണ്ട്. ബ്രൗൺ യൂണിവേഴ്‌സിറ്റിയിൽ നിന്നുള്ളവരെപ്പോലുള്ള ചില ഗവേഷകർ, ഈ ഹൈബ്രിഡ് സമീപനം മനുഷ്യമനസ്സുകൾ കൈവരിച്ച അമൂർത്തമായ യുക്തിയുടെ നിലവാരവുമായി പൊരുത്തപ്പെടുന്നില്ലെന്ന് വിശ്വസിക്കുന്നു. ഒരു സമർപ്പിത പ്രതീകാത്മക ഘടകം ആവശ്യമില്ലാതെ, ജീവശാസ്ത്രപരമായ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച്, വസ്തുക്കളുടെ പ്രതീകാത്മക പ്രതിനിധാനം സൃഷ്ടിക്കാനും ഈ ചിഹ്നങ്ങൾ ഉപയോഗിച്ച് വിവിധ തരം ന്യായവാദങ്ങൾ നടത്താനും മനുഷ്യ മനസ്സിന് കഴിയും. മനുഷ്യന്റെ കഴിവുകളെ അനുകരിക്കുന്ന ഡീപ് നെറ്റുകളിൽ ഫീച്ചറുകൾ ചേർക്കുന്നത് പോലെയുള്ള ഇതര രീതികൾ AI യുടെ കഴിവുകൾ വർദ്ധിപ്പിക്കുന്നതിന് കൂടുതൽ ഫലപ്രദമാകുമെന്ന് ചില വിദഗ്ധർ വാദിക്കുന്നു.

ന്യൂറോ-സിംബോളിക് AI-ക്കുള്ള അപേക്ഷകൾ

ന്യൂറോ-സിംബോളിക് AI-യുടെ ചില ആപ്ലിക്കേഷനുകളിൽ ഇവ ഉൾപ്പെടാം:

• കൂടുതൽ കൃത്യമായ പ്രതികരണങ്ങളും സേവനങ്ങളും സൃഷ്ടിക്കുന്ന, മനുഷ്യരുടെ കമാൻഡുകളും പ്രചോദനവും നന്നായി മനസ്സിലാക്കാൻ കഴിയുന്ന ചാറ്റ്ബോട്ടുകൾ പോലുള്ള ബോട്ടുകൾ.
• മെഡിക്കൽ രോഗനിർണയം, ചികിത്സ ആസൂത്രണം, മയക്കുമരുന്ന് വികസനം എന്നിവ പോലുള്ള കൂടുതൽ സങ്കീർണ്ണവും സെൻസിറ്റീവുമായ പ്രശ്നപരിഹാര സാഹചര്യങ്ങളിൽ അതിന്റെ പ്രയോഗം. ഗതാഗതം, ഊർജം, ഉൽപ്പാദനം തുടങ്ങിയ മേഖലകൾക്കായുള്ള ശാസ്ത്ര-സാങ്കേതിക ഗവേഷണം ത്വരിതപ്പെടുത്തുന്നതിനും ഈ സാങ്കേതികവിദ്യ പ്രയോഗിക്കാവുന്നതാണ്. 
• നിലവിൽ മനുഷ്യ വിധി ആവശ്യമായ തീരുമാനമെടുക്കൽ പ്രക്രിയകളുടെ ഓട്ടോമേഷൻ. തൽഫലമായി, അത്തരം ആപ്ലിക്കേഷനുകൾ ഉപഭോക്തൃ സേവനം പോലുള്ള ചില മേഖലകളിൽ സഹാനുഭൂതിയും ഉത്തരവാദിത്തവും നഷ്‌ടപ്പെടുത്താൻ ഇടയാക്കിയേക്കാം.
• കൂടുതൽ അവബോധജന്യമായ സ്‌മാർട്ട് വീട്ടുപകരണങ്ങളും വെർച്വൽ അസിസ്റ്റന്റുമാരും, വ്യത്യസ്‌ത സാഹചര്യങ്ങൾ പ്രോസസ്സ് ചെയ്യാൻ കഴിയും, അതായത് വൈദ്യുതി മുൻ‌കൂട്ടി സംരക്ഷിക്കുന്നതും സുരക്ഷാ നടപടികൾ നടപ്പിലാക്കുന്നതും.
• സ്വകാര്യത, ഉടമസ്ഥത, ഉത്തരവാദിത്തം എന്നിവയുമായി ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ പോലെയുള്ള പുതിയ ധാർമ്മികവും നിയമപരവുമായ ചോദ്യങ്ങൾ.
• ഗവൺമെന്റിലും മറ്റ് രാഷ്ട്രീയ സാഹചര്യങ്ങളിലും മെച്ചപ്പെട്ട തീരുമാനമെടുക്കൽ. കൂടുതൽ ടാർഗെറ്റുചെയ്‌ത പരസ്യങ്ങളിലൂടെയും ഹൈപ്പർ-വ്യക്തിഗത പരസ്യങ്ങളിലൂടെയും മാധ്യമങ്ങളിലൂടെയും പൊതുജനാഭിപ്രായത്തെ സ്വാധീനിക്കാനും ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കാം.

പരിഗണിക്കേണ്ട ചോദ്യങ്ങൾ

• ന്യൂറോ-സിംബോളിക് AI നമ്മുടെ ദൈനംദിന ജീവിതത്തെ എങ്ങനെ ബാധിക്കുമെന്ന് നിങ്ങൾ കരുതുന്നു?
• മറ്റ് വ്യവസായങ്ങളിൽ ഈ സാങ്കേതികവിദ്യ എങ്ങനെ ഉപയോഗിക്കാം?