Неуро-симболички АИ: Машина која коначно може да управља и логиком и учењем

• Аутор:
• ime аутора

  Куантумрун Форесигхт
• Април КСНУМКС, КСНУМКС

Машинско учење (МЛ) је одувек била обећавајућа технологија са својим јединственим изазовима, али истраживачи желе да створе систем заснован на логици који превазилази велике податке. Системи засновани на логици су дизајнирани да раде са симболичким репрезентацијама и резоновањем, што може пружити транспарентнији и разумљивији начин разумевања процеса доношења одлука у систему. 

Неуро-симболички контекст АИ

Неуро-симболички АИ (који се назива и композитни АИ) комбинује две гране вештачке интелигенције (АИ). Први је симболички АИ, који користи симболе за разумевање односа и правила (тј. боје и облика објекта). Да би симболична АИ функционисала, база знања мора бити прецизна, детаљна и исцрпна. Овај захтев значи да не може да учи сам и зависи од људске стручности како би наставио да ажурира базу знања. 

Друга компонента неуро-симболичке АИ су дубоке неуронске мреже (дубоке мреже) или дубоко учење (ДЛ). Ова технологија користи бројне слојеве чворова који опонашају неуроне људског мозга да би сами научили да обрађују велике скупове података. На пример, дубоке мреже могу проћи кроз различите слике мачака и паса да би тачно идентификовале шта је шта, и временом се побољшавају. Међутим, оно што дубоке мреже не могу да ураде је да обрађују сложене односе. Комбиновањем симболичке вештачке интелигенције и дубоких мрежа, истраживачи користе ДЛ да би убацили велике количине података у базу знања, након чега симболична вештачка интелигенција може да закључи или идентификује правила и односе. Ова комбинација омогућава ефикасније и тачније откривање знања и доношење одлука.

Још једна област којој се бави неуро-симболичка вештачка интелигенција је скуп процес обуке у дубокој мрежи. Поред тога, дубоке мреже могу бити осетљиве на мале промене улазних података, што доводи до грешака у класификацији. Такође се боре са апстрактним расуђивањем и одговарањем на питања без много података о обуци. Штавише, унутрашње функционисање ових мрежа је сложено и људима је тешко разумети, што чини изазовом тумачење разлога иза њихових предвиђања.

Ометајући утицај

Истраживачи са Универзитета Станфорд су спровели почетне студије композитне вештачке интелигенције користећи 100,000 слика основних 3Д облика (квадрата, сфере, цилиндра, итд.). Затим су користили различита питања да обуче хибрид да обрађује податке и закључује односе (нпр. да ли су коцке црвене? ). Открили су да неуро-симболичка АИ може тачно одговорити на ова питања у 98.9 посто времена. Поред тога, хибриду је било потребно само 10 процената података о обуци за развој решења. 

Пошто симболи или правила контролишу дубоке мреже, истраживачи могу лако да виде како они „уче“ и где долази до кварова. Раније је ово била једна од слабости дубоких мрежа, немогућност праћења због слојева и слојева сложених кодова и алгоритама. Неуро-симболичка АИ се тестира у самовозећим возилима да би препознала објекте на путу и ​​било какве промене у окружењу. Затим се обучава да на одговарајући начин реагује на ове спољне факторе. 

Међутим, постоје различита мишљења о томе да ли је комбинација симболичке вештачке интелигенције и дубоких мрежа најбољи пут ка напреднијој вештачкој интелигенцији. Неки истраживачи, попут оних са Универзитета Браун, верују да овај хибридни приступ можда неће одговарати нивоу апстрактног закључивања који постиже људски ум. Људски ум може креирати симболичке репрезентације објеката и изводити различите врсте закључивања користећи ове симболе, користећи биолошке неуронске мреже, без потребе за наменском симболичком компонентом. Неки стручњаци тврде да алтернативне методе, као што је додавање функција дубоким мрежама које опонашају људске способности, могу бити ефикасније у побољшању способности вештачке интелигенције.

Апликације за неуро-симболичку АИ

Неке апликације за неуро-симболичку АИ могу укључивати:

• Ботови, као што су цхатботови, који могу боље разумети људске команде и мотивацију, производећи прецизније одговоре и услуге.
• Његова примена у сложенијим и осетљивијим сценаријима решавања проблема као што су медицинска дијагноза, планирање лечења и развој лекова. Технологија се такође може применити за убрзање научних и технолошких истраживања у областима као што су транспорт, енергија и производња. 
• Аутоматизација процеса доношења одлука који тренутно захтевају људско расуђивање. Као резултат, такве апликације могу довести до губитка емпатије и одговорности у одређеним областима као што је корисничка служба.
• Интуитивнији паметни уређаји и виртуелни помоћници који могу да обрађују различите сценарије, као што су проактивно очување електричне енергије и спровођење безбедносних мера.
• Нова етичка и правна питања, као што су питања везана за приватност, власништво и одговорност.
• Побољшано доношење одлука у влади и другим политичким контекстима. Ова технологија би такође могла да се користи за утицај на јавно мњење кроз циљаније оглашавање и стварање хиперперсонализованих реклама и медија.

Питања која треба размотрити

• Шта иначе мислите да ће неуро-симболичка вештачка интелигенција утицати на наш свакодневни живот?
• Како се ова технологија може користити у другим индустријама?