Neuro-symbolische AI: een machine die eindelijk zowel logica als leren aankan

BEELDKREDIET:
Image credit
iStock

Neuro-symbolische AI: een machine die eindelijk zowel logica als leren aankan

Neuro-symbolische AI: een machine die eindelijk zowel logica als leren aankan

Onderkoptekst
Symbolische kunstmatige intelligentie (AI) en diepe neurale netwerken hebben beperkingen, maar wetenschappers hebben een manier ontdekt om ze te combineren en een slimmere AI te creëren.
    • Auteur:
    • auteursnaam
      Quantumrun-prognose
    • 13 april 2023

    Machine learning (ML) is altijd een veelbelovende technologie geweest met zijn unieke uitdagingen, maar onderzoekers zijn op zoek naar een op logica gebaseerd systeem dat verder gaat dan big data. Op logica gebaseerde systemen zijn ontworpen om te werken met symbolische representaties en redeneringen, die een meer transparante en interpreteerbare manier kunnen bieden om het besluitvormingsproces van een systeem te begrijpen. 

    Neuro-symbolische AI-context

    Neuro-symbolische AI ​​(ook wel samengestelde AI genoemd) combineert twee takken van kunstmatige intelligentie (AI). De eerste is de symbolische AI, die symbolen gebruikt om relaties en regels (dwz de kleur en vorm van een object) te begrijpen. Om symbolische AI ​​te laten werken, moet de kennisbasis nauwkeurig, gedetailleerd en volledig zijn. Deze vereiste houdt in dat het niet zelf kan leren en afhankelijk is van menselijke expertise om de kennisbank te blijven updaten. 

    De andere component van neuro-symbolische AI ​​zijn diepe neurale netwerken (deep nets) of deep learning (DL). Deze technologie maakt gebruik van talloze lagen knooppunten die de neuronen van het menselijk brein nabootsen om zelf te leren grote datasets te verwerken. Diepe netten kunnen bijvoorbeeld door verschillende afbeeldingen van katten en honden gaan om nauwkeurig te identificeren welke welke is, en ze verbeteren in de loop van de tijd. Wat deep nets echter niet kunnen, is het verwerken van complexe relaties. Door symbolische AI ​​en deep nets te combineren, gebruiken onderzoekers DL om grote hoeveelheden gegevens in de kennisbank te gieten, waarna symbolische AI ​​regels en relaties kan afleiden of identificeren. Deze combinatie zorgt voor een efficiëntere en nauwkeurigere kennisontdekking en besluitvorming.

    Een ander gebied dat neuro-symbolische AI ​​aanpakt, is het kostbare trainingsproces van deep net. Bovendien kunnen diepe netten gevoelig zijn voor kleine wijzigingen in invoergegevens, wat leidt tot classificatiefouten. Ze worstelen ook met abstract redeneren en het beantwoorden van vragen zonder veel trainingsgegevens. Bovendien is de interne werking van deze netwerken complex en moeilijk te begrijpen voor mensen, waardoor het een uitdaging is om de redenering achter hun voorspellingen te interpreteren.

    Disruptieve impact

    Onderzoekers van Stanford University voerden de eerste studies uit van samengestelde AI met behulp van 100,000 afbeeldingen van 3D-basisvormen (vierkanten, bollen, cilinders, enz.). Vervolgens gebruikten ze verschillende vragen om de hybride te trainen om gegevens te verwerken en verbanden af ​​te leiden (zijn de kubussen bijvoorbeeld rood? ). Ze ontdekten dat neuro-symbolische AI ​​deze vragen in 98.9 procent van de gevallen correct kon beantwoorden. Bovendien had de hybride slechts 10 procent van de trainingsgegevens nodig om oplossingen te ontwikkelen. 

    Omdat symbolen of regels diepe netten beheersen, kunnen onderzoekers gemakkelijk zien hoe ze "leren" en waar storingen optreden. Voorheen was dit een van de zwakke punten van deep nets, het onvermogen om te worden gevolgd vanwege lagen en lagen van complexe codes en algoritmen. Neuro-symbolische AI ​​wordt getest in zelfrijdende voertuigen om objecten op de weg en eventuele veranderingen in de omgeving te herkennen. Vervolgens wordt het getraind om adequaat te reageren op deze externe factoren. 

    Er zijn echter verschillende meningen over de vraag of de combinatie van symbolische AI ​​en deep nets de beste weg is naar meer geavanceerde AI. Sommige onderzoekers, zoals die van Brown University, zijn van mening dat deze hybride benadering mogelijk niet overeenkomt met het niveau van abstract redeneren dat door de menselijke geest wordt bereikt. De menselijke geest kan symbolische representaties van objecten creëren en verschillende soorten redeneringen uitvoeren met behulp van deze symbolen, met behulp van biologische neurale netwerken, zonder dat een speciale symbolische component nodig is. Sommige experts beweren dat alternatieve methoden, zoals het toevoegen van functies aan deep-netten die menselijke capaciteiten nabootsen, effectiever kunnen zijn bij het verbeteren van AI-mogelijkheden.

    Aanvragen voor neuro-symbolische AI

    Sommige toepassingen voor neuro-symbolische AI ​​kunnen zijn:

    • Bots, zoals chatbots, die menselijke commando's en motivatie beter kunnen begrijpen, waardoor nauwkeurigere antwoorden en services kunnen worden geproduceerd.
    • De toepassing ervan in meer complexe en gevoelige probleemoplossende scenario's zoals medische diagnose, behandelplanning en medicijnontwikkeling. De technologie kan ook worden toegepast om wetenschappelijk en technologisch onderzoek te versnellen op gebieden als transport, energie en productie. 
    • De automatisering van besluitvormingsprocessen die momenteel menselijk oordeel vereisen. Als gevolg hiervan kunnen dergelijke toepassingen leiden tot een verlies van empathie en verantwoordelijkheid op bepaalde gebieden, zoals klantenservice.
    • Meer intuïtieve slimme apparaten en virtuele assistenten die verschillende scenario's kunnen verwerken, zoals proactief energie besparen en beveiligingsmaatregelen nemen.
    • Nieuwe ethische en juridische vragen, zoals kwesties met betrekking tot privacy, eigendom en verantwoordelijkheid.
    • Verbeterde besluitvorming in de regering en andere politieke contexten. Deze technologie kan ook worden gebruikt om de publieke opinie te beïnvloeden door middel van meer gerichte advertenties en het genereren van hypergepersonaliseerde advertenties en media.

    Vragen om te overwegen

    • Hoe denk je anders dat neuro-symbolische AI ​​ons dagelijks leven zal beïnvloeden?
    • Hoe kan deze technologie in andere industrieën worden gebruikt?

    Insight-referenties

    Voor dit inzicht werd verwezen naar de volgende populaire en institutionele links:

    Kenbaar tijdschrift AI's volgende grote sprong