AI neuro-simbolik: Mesin yang akhirnya boleh mengendalikan kedua-dua logik dan pembelajaran

• Pengarang
• Nama pengarang

  Quantumrun Foresight
• April 13, 2023

Pembelajaran mesin (ML) sentiasa menjadi teknologi yang menjanjikan dengan cabaran uniknya, tetapi penyelidik sedang mencari untuk mencipta sistem berasaskan logik yang melangkaui data besar. Sistem berasaskan logik direka bentuk untuk berfungsi dengan perwakilan dan penaakulan simbolik, yang boleh memberikan cara yang lebih telus dan boleh ditafsir untuk memahami proses membuat keputusan sistem. 

Konteks AI neuro-simbolik

AI neuro-simbolik (juga dipanggil AI komposit) menggabungkan dua cabang kecerdasan buatan (AI). Pertama ialah AI simbolik, yang menggunakan simbol untuk memahami hubungan dan peraturan (iaitu, warna dan bentuk objek). Untuk AI simbolik berfungsi, pangkalan pengetahuan mestilah tepat, terperinci dan menyeluruh. Keperluan ini bermakna ia tidak boleh belajar dengan sendirinya dan bergantung kepada kepakaran manusia untuk terus mengemas kini pangkalan pengetahuan. 

Komponen lain AI neuro-simbolik ialah rangkaian saraf dalam (jaring dalam) atau pembelajaran mendalam (DL). Teknologi ini menggunakan pelbagai lapisan nod yang meniru neuron otak manusia untuk belajar sendiri memproses set data yang besar. Sebagai contoh, jaring dalam boleh melalui imej kucing dan anjing yang berbeza untuk mengenal pasti yang mana dengan tepat, dan ia bertambah baik dari semasa ke semasa. Walau bagaimanapun, apa yang tidak boleh dilakukan oleh jaring dalam ialah memproses perhubungan yang kompleks. Dengan menggabungkan AI simbolik dan jaringan dalam, penyelidik menggunakan DL untuk menghasilkan sejumlah besar data ke dalam pangkalan pengetahuan, selepas itu AI simbolik boleh membuat kesimpulan atau mengenal pasti peraturan dan perhubungan. Gabungan ini membolehkan penemuan pengetahuan dan membuat keputusan yang lebih cekap dan tepat.

Satu lagi bidang yang ditangani oleh AI neuro-simbolik ialah proses latihan deep net yang mahal. Selain itu, jaring dalam boleh menjadi sensitif kepada perubahan data input kecil, yang membawa kepada ralat pengelasan. Mereka juga bergelut dengan penaakulan abstrak dan menjawab soalan tanpa banyak data latihan. Tambahan pula, kerja dalaman rangkaian ini adalah kompleks dan sukar untuk difahami oleh manusia, menjadikannya satu cabaran untuk mentafsir alasan di sebalik ramalan mereka.

Kesan yang mengganggu

Penyelidik dari Universiti Stanford menjalankan kajian awal AI komposit menggunakan 100,000 imej bentuk 3D asas (segi empat sama, sfera, silinder, dsb.) Mereka kemudian menggunakan soalan yang berbeza untuk melatih hibrid memproses data dan membuat kesimpulan hubungan (cth, adakah kubus merah? ). Mereka mendapati bahawa AI neuro-simbolik boleh menjawab soalan-soalan ini dengan betul 98.9 peratus masa. Selain itu, hibrid hanya memerlukan 10 peratus data latihan untuk membangunkan penyelesaian. 

Memandangkan simbol atau peraturan mengawal jaring dalam, penyelidik boleh melihat dengan mudah cara mereka "belajar" dan tempat kerosakan berlaku. Sebelum ini, ini telah menjadi salah satu kelemahan jaring dalam, ketidakupayaan untuk dikesan kerana lapisan dan lapisan kod dan algoritma yang kompleks. AI neuro-simbolik sedang diuji dalam kenderaan pandu sendiri untuk mengecam objek di jalan raya dan sebarang perubahan dalam persekitaran. Ia kemudiannya dilatih untuk bertindak balas dengan sewajarnya kepada faktor luaran ini. 

Walau bagaimanapun, terdapat pendapat yang berbeza sama ada gabungan AI simbolik dan jaring dalam adalah laluan terbaik ke arah AI yang lebih maju. Sesetengah penyelidik, seperti mereka dari Universiti Brown, percaya bahawa pendekatan hibrid ini mungkin tidak sepadan dengan tahap penaakulan abstrak yang dicapai oleh minda manusia. Fikiran manusia boleh mencipta perwakilan simbolik objek dan melakukan pelbagai jenis penaakulan menggunakan simbol ini, menggunakan rangkaian saraf biologi, tanpa memerlukan komponen simbolik khusus. Sesetengah pakar berpendapat bahawa kaedah alternatif, seperti menambah ciri pada jaring dalam yang meniru kebolehan manusia, mungkin lebih berkesan dalam meningkatkan keupayaan AI.

Aplikasi untuk AI neuro-simbolik

Beberapa aplikasi untuk AI neuro-simbolik mungkin termasuk:

• Bot, seperti chatbots, yang boleh memahami arahan dan motivasi manusia dengan lebih baik, menghasilkan respons dan perkhidmatan yang lebih tepat.
• Aplikasinya dalam senario penyelesaian masalah yang lebih kompleks dan sensitif seperti diagnosis perubatan, perancangan rawatan dan pembangunan ubat. Teknologi ini juga boleh digunakan untuk mempercepatkan penyelidikan saintifik dan teknologi untuk bidang seperti pengangkutan, tenaga dan pembuatan. 
• Automasi proses membuat keputusan yang pada masa ini memerlukan pertimbangan manusia. Akibatnya, aplikasi sedemikian boleh menyebabkan kehilangan empati dan akauntabiliti dalam bidang tertentu seperti perkhidmatan pelanggan.
• Perkakas pintar dan pembantu maya yang lebih intuitif yang boleh memproses senario berbeza, seperti penjimatan elektrik secara proaktif dan melaksanakan langkah keselamatan.
• Soalan etika dan undang-undang baharu, seperti isu yang berkaitan dengan privasi, pemilikan dan tanggungjawab.
• Membuat keputusan yang lebih baik dalam kerajaan dan konteks politik lain. Teknologi ini juga boleh digunakan untuk mempengaruhi pendapat umum melalui pengiklanan yang lebih disasarkan dan penjanaan iklan dan media hiper-peribadi.

Soalan yang perlu dipertimbangkan

• Bagaimana lagi pada pendapat anda AI neuro-simbolik akan mempengaruhi kehidupan seharian kita?
• Bagaimanakah teknologi ini boleh digunakan dalam industri lain?