Nevro-simbolna umetna inteligenca: Stroj, ki končno obvlada logiko in učenje

• Avtor:
• ime avtorja

  Quantumrun Foresight
• April 13, 2023

Strojno učenje (ML) je bilo vedno obetavna tehnologija s svojimi edinstvenimi izzivi, vendar si raziskovalci prizadevajo ustvariti sistem, ki temelji na logiki in presega velike podatke. Sistemi, ki temeljijo na logiki, so zasnovani tako, da delujejo s simbolnimi predstavitvami in sklepanjem, kar lahko zagotovi bolj pregleden in razumljiv način razumevanja procesa odločanja v sistemu. 

Nevro-simbolni AI kontekst

Nevro-simbolna umetna inteligenca (imenovana tudi sestavljena umetna inteligenca) združuje dve veji umetne inteligence (AI). Prvi je simbolni AI, ki uporablja simbole za razumevanje razmerij in pravil (tj. barve in oblike predmeta). Da bi simbolična umetna inteligenca delovala, mora biti baza znanja natančna, podrobna in izčrpna. Ta zahteva pomeni, da se ne more učiti sam in je za posodabljanje baze znanja odvisen od človeškega znanja. 

Druga komponenta nevro-simbolične umetne inteligence so globoke nevronske mreže (globoke mreže) ali globoko učenje (DL). Ta tehnologija uporablja številne plasti vozlišč, ki posnemajo nevrone človeških možganov, da se sami naučijo obdelovati velike zbirke podatkov. Na primer, globoke mreže lahko pregledajo različne slike mačk in psov, da natančno prepoznajo, kateri je kateri, in se sčasoma izboljšajo. Vendar globoka omrežja ne morejo obdelati zapletenih odnosov. Z združevanjem simbolne umetne inteligence in globokih mrež raziskovalci uporabljajo DL za zbiranje velikih količin podatkov v bazo znanja, po kateri lahko simbolna umetna inteligenca sklepa ali identificira pravila in razmerja. Ta kombinacija omogoča učinkovitejše in natančnejše odkrivanje znanja ter sprejemanje odločitev.

Drugo področje, ki ga obravnava nevro-simbolni AI, je drag proces usposabljanja globokih omrežij. Poleg tega so globoke mreže lahko občutljive na majhne spremembe vhodnih podatkov, kar povzroči napake pri klasifikaciji. Prav tako imajo težave z abstraktnim razmišljanjem in odgovarjanjem na vprašanja brez veliko podatkov o usposabljanju. Poleg tega je notranje delovanje teh omrežij zapleteno in ga ljudje težko razumejo, zato je razlaga razlogov za njihove napovedi izziv.

Moteč vpliv

Raziskovalci z Univerze Stanford so izvedli začetne študije sestavljene umetne inteligence z uporabo 100,000 slik osnovnih 3D oblik (kvadratov, krogel, valjev itd.). Nato so uporabili različna vprašanja, da so usposobili hibrid za obdelavo podatkov in sklepanje odnosov (npr. ali so kocke rdeče? ). Ugotovili so, da lahko nevro-simbolna umetna inteligenca pravilno odgovori na ta vprašanja v 98.9 odstotka časa. Poleg tega je hibrid za razvoj rešitev zahteval le 10 odstotkov podatkov o usposabljanju. 

Ker simboli ali pravila nadzorujejo globoke mreže, lahko raziskovalci zlahka vidijo, kako se »učijo« in kje pride do okvar. Prej je bila to ena od slabosti globokih mrež, nezmožnost sledenja zaradi plasti in plasti kompleksnih kod in algoritmov. Nevro-simbolna umetna inteligenca se preizkuša v samovozečih vozilih za prepoznavanje predmetov na cesti in morebitnih sprememb v okolju. Nato se izuri, da se ustrezno odzove na te zunanje dejavnike. 

Vendar pa obstajajo različna mnenja o tem, ali je kombinacija simbolične umetne inteligence in globokih mrež najboljša pot do naprednejše umetne inteligence. Nekateri raziskovalci, na primer tisti z Univerze Brown, menijo, da se ta hibridni pristop morda ne ujema z ravnjo abstraktnega razmišljanja, ki ga doseže človeški um. Človeški um lahko ustvarja simbolične predstavitve predmetov in izvaja različne vrste sklepanja z uporabo teh simbolov, z uporabo bioloških nevronskih mrež, ne da bi potreboval namensko simbolno komponento. Nekateri strokovnjaki trdijo, da so lahko alternativne metode, kot je dodajanje funkcij globokim mrežam, ki posnemajo človeške sposobnosti, učinkovitejše pri izboljšanju zmogljivosti AI.

Aplikacije za nevro-simbolni AI

Nekatere aplikacije za nevro-simbolni AI lahko vključujejo:

• Boti, kot so chatboti, ki lahko bolje razumejo človeške ukaze in motivacijo ter ustvarijo natančnejše odzive in storitve.
• Njegova uporaba v bolj zapletenih in občutljivih scenarijih reševanja problemov, kot so medicinska diagnoza, načrtovanje zdravljenja in razvoj zdravil. Tehnologijo je mogoče uporabiti tudi za pospeševanje znanstvenih in tehnoloških raziskav na področjih, kot so promet, energetika in proizvodnja. 
• Avtomatizacija procesov odločanja, ki trenutno zahtevajo človeško presojo. Posledično lahko takšne aplikacije povzročijo izgubo empatije in odgovornosti na določenih področjih, kot je služba za stranke.
• Bolj intuitivne pametne naprave in virtualni pomočniki, ki lahko obdelajo različne scenarije, kot je proaktivno varčevanje z električno energijo in izvajanje varnostnih ukrepov.
• Nova etična in pravna vprašanja, kot so vprašanja v zvezi z zasebnostjo, lastništvom in odgovornostjo.
• Izboljšano odločanje v vladi in drugih političnih kontekstih. To tehnologijo bi lahko uporabili tudi za vplivanje na javno mnenje z bolj ciljanim oglaševanjem in ustvarjanjem hiperpersonaliziranih oglasov in medijev.

Vprašanja, ki jih je treba upoštevati

• Kako drugače mislite, da bo nevro-simbolna umetna inteligenca vplivala na naše vsakodnevno življenje?
• Kako se lahko ta tehnologija uporablja v drugih panogah?