Neurosymbolsk ai-maskin kan endelig håndtere både logikk og læring

BILDEKREDITT:

iStock

Nevro-symbolsk AI: En maskin som endelig kan håndtere både logikk og læring

Symbolsk kunstig intelligens (AI) og dype nevrale nettverk har begrensninger, men forskere har oppdaget en måte å kombinere dem og skape en smartere AI.

Forfatter:
forfatternavn
Quantumrun Foresight
April 13, 2023

Maskinlæring (ML) har alltid vært en lovende teknologi med sine unike utfordringer, men forskere er ute etter å lage et logikkbasert system som går utover big data. Logikkbaserte systemer er designet for å jobbe med symbolske representasjoner og resonnement, som kan gi en mer transparent og tolkbar måte å forstå et systems beslutningsprosess på.

Nevro-symbolsk AI-kontekst

Nevro-symbolsk AI (også kalt sammensatt AI) kombinerer to grener av kunstig intelligens (AI). Først er den symbolske AI, som bruker symboler for å forstå relasjoner og regler (dvs. fargen og formen til et objekt). For at symbolsk AI skal fungere, må kunnskapsbasen være presis, detaljert og uttømmende. Dette kravet betyr at det ikke kan lære av seg selv og er avhengig av menneskelig ekspertise for å fortsette å oppdatere kunnskapsbasen.

Den andre komponenten i nevro-symbolsk AI er dype nevrale nettverk (deep nets) eller deep learning (DL). Denne teknologien bruker mange lag med noder som etterligner den menneskelige hjernens nevroner for å lære seg selv å behandle store datasett. For eksempel kan dype nett gå gjennom forskjellige bilder av katter og hunder for nøyaktig å identifisere hvilken som er hvilken, og de forbedres over tid. Det dype nett imidlertid ikke kan gjøre er å behandle komplekse relasjoner. Ved å kombinere symbolsk AI og dype nett, bruker forskere DL til å samle store mengder data inn i kunnskapsbasen, hvoretter symbolsk AI kan utlede eller identifisere regler og relasjoner. Denne kombinasjonen muliggjør mer effektiv og nøyaktig kunnskapsoppdagelse og beslutningstaking.

Et annet område som nevro-symbolsk AI tar for seg er deep nets kostbare treningsprosess. I tillegg kan dype garn være følsomme for små endringer i inputdata, noe som fører til klassifiseringsfeil. De sliter også med abstrakt resonnement og svare på spørsmål uten mye treningsdata. Videre er den interne funksjonen til disse nettverkene kompleks og vanskelig for mennesker å forstå, noe som gjør det til en utfordring å tolke resonnementet bak deres spådommer.

Forstyrrende påvirkning

Forskere fra Stanford University utførte innledende studier av sammensatt AI ved å bruke 100,000 3 bilder av grunnleggende 98.9D-former (firkanter, kuler, sylindre osv.) De brukte deretter forskjellige spørsmål for å trene hybriden til å behandle data og utlede relasjoner (f.eks. er kubene røde? ). De fant at nevro-symbolsk AI kunne svare riktig på disse spørsmålene 10 prosent av tiden. I tillegg krevde hybriden bare XNUMX prosent av treningsdataene for å utvikle løsninger.

Siden symboler eller regler kontrollerer dype nett, kan forskere enkelt se hvordan de "lærer" og hvor sammenbrudd oppstår. Tidligere har dette vært en av svakhetene ved dype nett, manglende evne til å spores på grunn av lag og lag med komplekse koder og algoritmer. Nevrosymbolsk AI blir testet i selvkjørende kjøretøy for å gjenkjenne gjenstander på veien og eventuelle endringer i miljøet. Den blir deretter opplært til å reagere riktig på disse eksterne faktorene.

Det er imidlertid ulike meninger om kombinasjonen av symbolsk AI og dype nett er den beste veien mot mer avansert AI. Noen forskere, som de fra Brown University, mener at denne hybride tilnærmingen kanskje ikke samsvarer med nivået av abstrakt resonnement oppnådd av menneskelige sinn. Menneskesinnet kan lage symbolske representasjoner av objekter og utføre ulike typer resonnement ved å bruke disse symbolene, ved å bruke biologiske nevrale nettverk, uten å trenge en dedikert symbolsk komponent. Noen eksperter hevder at alternative metoder, for eksempel å legge til funksjoner til dype nett som etterligner menneskelige evner, kan være mer effektive for å forbedre AI-evnene.

Applikasjoner for nevro-symbolsk AI

Noen applikasjoner for nevro-symbolsk AI kan omfatte:

Bots, for eksempel chatbots, som bedre kan forstå menneskelige kommandoer og motivasjon, og produsere mer nøyaktige svar og tjenester.
Dens anvendelse i mer komplekse og sensitive problemløsningsscenarier som medisinsk diagnose, behandlingsplanlegging og medikamentutvikling. Teknologien kan også brukes til å akselerere vitenskapelig og teknologisk forskning for felt som transport, energi og produksjon.
Automatisering av beslutningsprosesser som i dag krever menneskelig dømmekraft. Som et resultat kan slike applikasjoner føre til tap av empati og ansvarlighet på visse områder som kundeservice.
Mer intuitive smarte apparater og virtuelle assistenter som kan behandle ulike scenarier, for eksempel å spare strøm proaktivt og implementere sikkerhetstiltak.
Nye etiske og juridiske spørsmål, som spørsmål knyttet til personvern, eierskap og ansvar.
Forbedret beslutningstaking i regjering og andre politiske sammenhenger. Denne teknologien kan også brukes til å påvirke opinionen gjennom mer målrettet annonsering og generering av hyperpersonaliserte annonser og medier.