Neurosymbolisk AI: En maskin som äntligen kan hantera både logik och inlärning

• Författare:
• författarnamn

  Quantumrun Framsyn
• 13 april 2023

Maskininlärning (ML) har alltid varit en lovande teknik med sina unika utmaningar, men forskare letar efter att skapa ett logikbaserat system som går utöver big data. Logikbaserade system är designade för att fungera med symboliska representationer och resonemang, vilket kan ge ett mer transparent och tolkningsbart sätt att förstå ett systems beslutsprocess. 

Neurosymboliskt AI-sammanhang

Neurosymbolisk AI (även kallad sammansatt AI) kombinerar två grenar av artificiell intelligens (AI). Först är den symboliska AI, som använder symboler för att förstå relationer och regler (dvs. färgen och formen på ett föremål). För att symbolisk AI ska fungera måste kunskapsbasen vara exakt, detaljerad och uttömmande. Detta krav innebär att det inte kan lära sig av sig självt och är beroende av mänsklig expertis för att fortsätta uppdatera kunskapsbasen. 

Den andra komponenten i neurosymbolisk AI är djupa neurala nätverk (djupa nät) eller djupinlärning (DL). Den här tekniken använder många lager av noder som efterliknar den mänskliga hjärnans neuroner för att själv lära sig att bearbeta stora datamängder. Till exempel kan djupa nät gå igenom olika bilder av katter och hundar för att exakt identifiera vilket som är vilket, och de förbättras med tiden. Men vad djupa nät inte kan göra är att bearbeta komplexa relationer. Genom att kombinera symbolisk AI och djupa nät använder forskare DL för att samla in stora mängder data till kunskapsbasen, varefter symbolisk AI kan sluta sig till eller identifiera regler och samband. Denna kombination möjliggör mer effektiv och korrekt kunskapsupptäckande och beslutsfattande.

Ett annat område som neurosymbolisk AI tar upp är Deep Nets kostsamma träningsprocess. Dessutom kan djupa nät vara känsliga för små indataförändringar, vilket leder till klassificeringsfel. De kämpar också med abstrakta resonemang och att svara på frågor utan mycket träningsdata. Dessutom är de interna funktionerna i dessa nätverk komplexa och svåra för människor att förstå, vilket gör det till en utmaning att tolka resonemanget bakom deras förutsägelser.

Störande inverkan

Forskare från Stanford University genomförde inledande studier av sammansatt AI med hjälp av 100,000 3 bilder av grundläggande 98.9D-former (fyrkanter, sfärer, cylindrar, etc.) De använde sedan olika frågor för att träna hybriden att bearbeta data och sluta sig till samband (t.ex. är kuberna röda? ). De fann att neurosymbolisk AI kunde svara korrekt på dessa frågor 10 procent av gångerna. Dessutom krävde hybriden bara XNUMX procent av träningsdata för att utveckla lösningar. 

Eftersom symboler eller regler styr djupa nät kan forskare enkelt se hur de "lär sig" och var haverier inträffar. Tidigare har detta varit en av svagheterna med djupa nät, oförmågan att spåras på grund av lager och lager av komplexa koder och algoritmer. Neurosymbolisk AI testas i självkörande fordon för att känna igen föremål på vägen och eventuella förändringar i miljön. Den tränas sedan i att reagera på lämpligt sätt på dessa yttre faktorer. 

Det finns dock olika åsikter om huruvida kombinationen av symbolisk AI och djupa nät är den bästa vägen mot mer avancerad AI. Vissa forskare, som de från Brown University, tror att denna hybridmetode kanske inte matchar nivån av abstrakta resonemang som uppnåtts av mänskliga sinnen. Det mänskliga sinnet kan skapa symboliska representationer av objekt och utföra olika typer av resonemang med hjälp av dessa symboler, med hjälp av biologiska neurala nätverk, utan att behöva en dedikerad symbolisk komponent. Vissa experter hävdar att alternativa metoder, som att lägga till funktioner till djupa nät som efterliknar mänskliga förmågor, kan vara mer effektiva för att förbättra AI-kapaciteten.

Applikationer för neuro-symbolisk AI

Vissa applikationer för neuro-symbolisk AI kan inkludera:

• Bots, som chatbots, som bättre kan förstå mänskliga kommandon och motivation, producera mer exakta svar och tjänster.
• Dess tillämpning i mer komplexa och känsliga problemlösningsscenarier som medicinsk diagnos, behandlingsplanering och läkemedelsutveckling. Tekniken kan också användas för att påskynda vetenskaplig och teknisk forskning inom områden som transport, energi och tillverkning. 
• Automatisering av beslutsprocesser som för närvarande kräver mänskligt omdöme. Som ett resultat kan sådana applikationer leda till förlust av empati och ansvarsskyldighet inom vissa områden som kundservice.
• Mer intuitiva smarta apparater och virtuella assistenter som kan bearbeta olika scenarier, som att proaktivt spara el och implementera säkerhetsåtgärder.
• Nya etiska och juridiska frågor, såsom frågor relaterade till integritet, ägande och ansvar.
• Förbättrat beslutsfattande i regering och andra politiska sammanhang. Denna teknik skulle också kunna användas för att påverka den allmänna opinionen genom mer riktad reklam och generering av hyperpersonaliserade annonser och media.

Frågor att överväga

• Hur tror du annars att neurosymbolisk AI kommer att påverka våra dagliga liv?
• Hur kan denna teknik användas i andra branscher?