Нейросимволическая машина искусственного интеллекта, наконец, может обрабатывать как логику, так и обучение

ИЗОБРАЖЕНИЕ КРЕДИТ:

Istock

Нейросимволический ИИ: машина, которая, наконец, может обрабатывать как логику, так и обучение

Символический искусственный интеллект (ИИ) и глубокие нейронные сети имеют ограничения, но ученые нашли способ объединить их и создать более умный ИИ.

Автор:
Имя автора
Квантумран Форсайт
13 апреля 2023

Машинное обучение (МО) всегда было многообещающей технологией со своими уникальными проблемами, но исследователи стремятся создать систему, основанную на логике, которая выходит за рамки больших данных. Системы на основе логики предназначены для работы с символическими представлениями и рассуждениями, которые могут обеспечить более прозрачный и интерпретируемый способ понимания процесса принятия решений в системе.

Нейросимволический контекст ИИ

Нейросимволический ИИ (также называемый составным ИИ) объединяет две ветви искусственного интеллекта (ИИ). Во-первых, это символический ИИ, который использует символы для понимания взаимосвязей и правил (например, цвета и формы объекта). Чтобы символический ИИ работал, база знаний должна быть точной, подробной и исчерпывающей. Это требование означает, что он не может учиться сам по себе и зависит от человеческого опыта для постоянного обновления базы знаний.

Другой компонент нейросимволического ИИ — это глубокие нейронные сети (deep nets) или глубокое обучение (DL). Эта технология использует множество слоев узлов, которые имитируют нейроны человеческого мозга, чтобы самостоятельно научиться обрабатывать большие наборы данных. Например, глубокие сети могут просматривать различные изображения кошек и собак, чтобы точно определить, кто есть кто, и со временем они улучшаются. Однако чего глубокие сети не могут делать, так это обрабатывать сложные отношения. Сочетая символический ИИ и глубокие сети, исследователи используют глубокое обучение для переноса больших объемов данных в базу знаний, после чего символический ИИ может вывести или идентифицировать правила и отношения. Эта комбинация позволяет более эффективно и точно обнаруживать знания и принимать решения.

Еще одна область, которую затрагивает нейросимволический ИИ, — дорогостоящий процесс обучения глубокой сети. Кроме того, глубокие сети могут быть чувствительны к небольшим изменениям входных данных, что приводит к ошибкам классификации. Они также борются с абстрактными рассуждениями и ответами на вопросы без большого количества обучающих данных. Кроме того, внутренняя работа этих сетей сложна и трудна для понимания людьми, что затрудняет интерпретацию обоснования их прогнозов.

Разрушительное воздействие

Исследователи из Стэнфордского университета провели первоначальные исследования составного ИИ, используя 100,000 3 изображений основных трехмерных форм (квадратов, сфер, цилиндров и т. д.). Затем они использовали различные вопросы, чтобы научить гибрид обрабатывать данные и делать выводы о взаимосвязях (например, кубы красные? ). Они обнаружили, что нейросимволический ИИ может правильно ответить на эти вопросы в 98.9% случаев. Кроме того, для разработки решений гибриду требовалось всего 10 процентов обучающих данных.

Поскольку глубокими сетями управляют символы или правила, исследователи могут легко увидеть, как они «обучаются» и где происходят сбои. Раньше это было одной из слабых сторон глубоких сетей, невозможность отслеживания из-за слоев и слоев сложных кодов и алгоритмов. Нейросимволический ИИ тестируется на беспилотных транспортных средствах для распознавания объектов на дороге и любых изменений в окружающей среде. Затем его обучают правильно реагировать на эти внешние факторы.

Однако существуют разные мнения о том, является ли комбинация символического ИИ и глубоких сетей лучшим путем к более продвинутому ИИ. Некоторые исследователи, например из Университета Брауна, считают, что этот гибридный подход может не соответствовать уровню абстрактного мышления, достигаемому человеческим разумом. Человеческий разум может создавать символические представления объектов и выполнять различные типы рассуждений, используя эти символы, используя биологические нейронные сети, не нуждаясь в специальном символическом компоненте. Некоторые эксперты утверждают, что альтернативные методы, такие как добавление в глубокие сети функций, имитирующих человеческие способности, могут быть более эффективными для расширения возможностей ИИ.

Приложения для нейросимволического ИИ

Некоторые приложения для нейросимволического ИИ могут включать:

Боты, такие как чат-боты, которые могут лучше понимать человеческие команды и мотивацию, обеспечивая более точные ответы и услуги.
Его применение в более сложных и чувствительных сценариях решения проблем, таких как медицинская диагностика, планирование лечения и разработка лекарств. Технология также может применяться для ускорения научных и технологических исследований в таких областях, как транспорт, энергетика и производство.
Автоматизация процессов принятия решений, которые в настоящее время требуют человеческого суждения. В результате такие приложения могут привести к потере эмпатии и ответственности в определенных областях, таких как обслуживание клиентов.
Более интуитивно понятные интеллектуальные устройства и виртуальные помощники, которые могут обрабатывать различные сценарии, такие как упреждающее энергосбережение и внедрение мер безопасности.
Новые этические и юридические вопросы, такие как вопросы, связанные с конфиденциальностью, собственностью и ответственностью.
Улучшение процесса принятия решений в правительстве и других политических контекстах. Эта технология также может быть использована для воздействия на общественное мнение за счет более целенаправленной рекламы и создания гиперперсонализированной рекламы и средств массовой информации.