Kuantumrun

GÖRÜNTÜ KREDİSİ:

iStock

Nöro-sembolik AI: Sonunda hem mantığı hem de öğrenmeyi idare edebilen bir makine

Sembolik yapay zeka (AI) ve derin sinir ağlarının sınırlamaları vardır, ancak bilim adamları bunları birleştirmenin ve daha akıllı bir AI yaratmanın bir yolunu keşfettiler.

Yazar:
Yazar adı
Kuantumrun Öngörüsü
13 Nisan 2023

Makine öğrenimi (ML), benzersiz zorluklarıyla her zaman umut verici bir teknoloji olmuştur, ancak araştırmacılar büyük verilerin ötesine geçen mantığa dayalı bir sistem yaratmanın yollarını aramaktadır. Mantığa dayalı sistemler, bir sistemin karar verme sürecini anlamanın daha şeffaf ve yorumlanabilir bir yolunu sağlayabilen sembolik temsiller ve muhakeme ile çalışmak üzere tasarlanmıştır.

Nöro-sembolik AI bağlamı

Nöro-sembolik AI (bileşik AI olarak da adlandırılır), yapay zekanın (AI) iki dalını birleştirir. İlki, ilişkileri ve kuralları (örn. bir nesnenin rengi ve şekli) anlamak için semboller kullanan sembolik yapay zekadır. Sembolik yapay zekanın çalışması için bilgi tabanının kesin, ayrıntılı ve kapsamlı olması gerekir. Bu gereksinim, kendi kendine öğrenemeyeceği ve bilgi tabanını güncellemeye devam etmek için insan uzmanlığına bağlı olduğu anlamına gelir.

Nöro-sembolik AI'nın diğer bileşeni, derin sinir ağları (derin ağlar) veya derin öğrenmedir (DL). Bu teknoloji, büyük veri kümelerini işlemeyi kendi kendine öğrenmek için insan beyninin nöronlarını taklit eden çok sayıda düğüm katmanı kullanır. Örneğin, derin ağlar, hangisinin hangisi olduğunu doğru bir şekilde belirlemek için kedi ve köpeklerin farklı görüntülerinden geçebilir ve bunlar zamanla gelişir. Ancak, derin ağların yapamadığı şey, karmaşık ilişkileri işlemek değildir. Araştırmacılar, sembolik AI ile derin ağları birleştirerek, büyük miktarda veriyi bilgi tabanına yaymak için DL'yi kullanır ve ardından sembolik AI, kuralları ve ilişkileri anlayabilir veya tanımlayabilir. Bu kombinasyon, daha verimli ve doğru bilgi keşfi ve karar vermeye izin verir.

Nöro-sembolik AI'nın ele aldığı bir diğer alan, derin ağın maliyetli eğitim sürecidir. Ek olarak, derin ağlar küçük girdi veri değişikliklerine karşı hassas olabilir ve bu da sınıflandırma hatalarına yol açar. Ayrıca çok fazla eğitim verisi olmadan soyut akıl yürütme ve soruları yanıtlama ile mücadele ederler. Ayrıca, bu ağların dahili işleyişi karmaşıktır ve insanlar tarafından anlaşılması zordur, bu da tahminlerinin arkasındaki mantığı yorumlamayı zorlaştırır.

Yıkıcı etki

Stanford Üniversitesi'nden araştırmacılar, temel 100,000B şekillerin (kareler, küreler, silindirler vb.) 3 görüntüsünü kullanarak bileşik yapay zeka üzerine ilk çalışmaları yürüttüler. ). Nöro-sembolik AI'nın bu soruları yüzde 98.9 oranında doğru cevaplayabildiğini buldular. Ek olarak, hibrit çözüm geliştirmek için eğitim verilerinin yalnızca yüzde 10'una ihtiyaç duyuyordu.

Semboller veya kurallar derin ağları kontrol ettiğinden, araştırmacılar nasıl "öğrendiklerini" ve arızaların nerede meydana geldiğini kolayca görebilirler. Daha önce bu, derin ağların zayıflıklarından biri, karmaşık kodlar ve algoritmaların katmanları ve katmanları nedeniyle izlenememesiydi. Nöro-sembolik AI, yoldaki nesneleri ve ortamdaki değişiklikleri tanımak için sürücüsüz araçlarda test ediliyor. Daha sonra bu dış etkenlere uygun şekilde tepki vermesi için eğitilir.

Bununla birlikte, sembolik yapay zeka ile derin ağların birleşiminin daha gelişmiş yapay zekaya giden en iyi yol olup olmadığı konusunda farklı görüşler var. Brown Üniversitesi'nden olanlar gibi bazı araştırmacılar, bu hibrit yaklaşımın insan zihninin ulaştığı soyut akıl yürütme düzeyiyle eşleşmeyebileceğine inanıyor. İnsan zihni, özel bir sembolik bileşene ihtiyaç duymadan, nesnelerin sembolik temsillerini yaratabilir ve bu sembolleri kullanarak, biyolojik sinir ağlarını kullanarak çeşitli akıl yürütme türleri gerçekleştirebilir. Bazı uzmanlar, derin ağlara insan yeteneklerini taklit eden özellikler eklemek gibi alternatif yöntemlerin yapay zeka yeteneklerini geliştirmede daha etkili olabileceğini savunuyor.

Nöro-sembolik yapay zeka uygulamaları

Nöro-sembolik AI için bazı uygulamalar şunları içerebilir:

İnsan komutlarını ve motivasyonunu daha iyi anlayabilen, daha doğru yanıtlar ve hizmetler üreten chatbotlar gibi botlar.
Tıbbi teşhis, tedavi planlaması ve ilaç geliştirme gibi daha karmaşık ve hassas problem çözme senaryolarında uygulanması. Teknoloji, ulaşım, enerji ve üretim gibi alanlarda bilimsel ve teknolojik araştırmaları hızlandırmak için de uygulanabilir.
Şu anda insan muhakemesi gerektiren karar verme süreçlerinin otomasyonu. Sonuç olarak, bu tür uygulamalar, müşteri hizmetleri gibi belirli alanlarda empati ve sorumluluk kaybına yol açabilir.
Proaktif olarak elektrik tasarrufu yapmak ve güvenlik önlemlerini uygulamak gibi farklı senaryoları işleyebilen daha sezgisel akıllı cihazlar ve sanal asistanlar.
Gizlilik, mülkiyet ve sorumlulukla ilgili sorunlar gibi yeni etik ve yasal sorular.
Hükümet ve diğer siyasi bağlamlarda geliştirilmiş karar verme. Bu teknoloji, daha hedefli reklamcılık ve hiper-kişiselleştirilmiş reklamlar ve medya üretimi yoluyla kamuoyunu etkilemek için de kullanılabilir.