Нейросимволічний штучний інтелект: машина, яка нарешті може працювати з логікою та навчанням

• Автор:
• ім'я автора

  Quantumrun Foresight
• Квітень 13, 2023

Машинне навчання (ML) завжди було багатообіцяючою технологією зі своїми унікальними проблемами, але дослідники прагнуть створити систему на основі логіки, яка виходить за рамки великих даних. Системи, засновані на логіці, розроблені для роботи з символічними представленнями та міркуваннями, які можуть забезпечити більш прозорий та інтерпретований спосіб розуміння процесу прийняття рішень системою. 

Нейросимволічний контекст ШІ

Нейросимволічний ШІ (також званий композитним ШІ) поєднує дві гілки штучного інтелекту (ШІ). По-перше, це символічний ШІ, який використовує символи для розуміння взаємозв’язків і правил (тобто кольору та форми об’єкта). Щоб символічний ШІ працював, база знань має бути точною, детальною та вичерпною. Ця вимога означає, що він не може навчатися сам і залежить від досвіду людини, щоб постійно оновлювати базу знань. 

Іншим компонентом нейросимволічного ШІ є глибокі нейронні мережі (deep nets) або глибоке навчання (DL). Ця технологія використовує численні шари вузлів, які імітують нейрони людського мозку, щоб самонавчатися обробляти великі набори даних. Наприклад, глибокі сітки можуть переглядати різні зображення котів і собак, щоб точно визначити, хто є який, і з часом вони покращуються. Однак глибокі мережі не можуть обробляти складні відносини. Поєднуючи символічний штучний інтелект і глибокі мережі, дослідники використовують DL для переміщення великих обсягів даних у базу знань, після чого символічний штучний інтелект може виводити або ідентифікувати правила та зв’язки. Ця комбінація дозволяє більш ефективно та точно знаходити знання та приймати рішення.

Ще одна сфера, яку стосується нейросимволічний штучний інтелект, це дорогий процес навчання глибокої мережі. Крім того, глибокі мережі можуть бути чутливими до невеликих змін вхідних даних, що призводить до помилок класифікації. Їм також важко абстрактно міркувати та відповідати на запитання, не маючи багато тренувальних даних. Крім того, внутрішня робота цих мереж є складною і важкою для розуміння людьми, що ускладнює інтерпретацію міркувань, що стоять за їхніми прогнозами.

Руйнівний вплив

Дослідники зі Стенфордського університету провели початкові дослідження композитного штучного інтелекту, використовуючи 100,000 3 зображень базових 98.9D-форм (квадратів, сфер, циліндрів тощо). Потім вони використали різні запитання, щоб навчити гібрид обробляти дані та виводити зв’язки (наприклад, чи червоні куби? ). Вони виявили, що нейросимволічний штучний інтелект міг правильно відповісти на ці запитання в 10% випадків. Крім того, гібрид вимагав лише XNUMX відсотків навчальних даних для розробки рішень. 

Оскільки символи або правила контролюють глибинні мережі, дослідники можуть легко побачити, як вони «навчаються» і де відбуваються збої. Раніше це була одна зі слабких сторін глибоких мереж, неможливість відстеження через багатошаровість складних кодів і алгоритмів. Нейросимволічний штучний інтелект тестується в безпілотних автомобілях, щоб розпізнавати об’єкти на дорозі та будь-які зміни в навколишньому середовищі. Потім його навчають правильно реагувати на ці зовнішні фактори. 

Однак існують різні думки щодо того, чи є поєднання символічного ШІ та глибоких мереж найкращим шляхом до більш просунутого ШІ. Деякі дослідники, наприклад дослідники з Університету Брауна, вважають, що цей гібридний підхід може не відповідати рівню абстрактних міркувань, досягнутому людським розумом. Людський розум може створювати символічні представлення об’єктів і виконувати різні типи міркувань, використовуючи ці символи, використовуючи біологічні нейронні мережі, не потребуючи спеціального символічного компонента. Деякі експерти стверджують, що альтернативні методи, такі як додавання функцій до глибоких мереж, які імітують людські здібності, можуть бути більш ефективними для розширення можливостей ШІ.

Застосування нейросимволічного ШІ

Деякі програми для нейросимволічного ШІ можуть включати:

• Боти, як-от чат-боти, які можуть краще розуміти людські команди та мотивацію, надаючи точніші відповіді та послуги.
• Його застосування в більш складних і чутливих сценаріях вирішення проблем, таких як медична діагностика, планування лікування та розробка ліків. Цю технологію також можна застосувати для прискорення наукових і технологічних досліджень у таких сферах, як транспорт, енергетика та виробництво. 
• Автоматизація процесів прийняття рішень, які наразі вимагають людського судження. У результаті такі програми можуть призвести до втрати співчуття та відповідальності в певних сферах, як-от обслуговування клієнтів.
• Більш інтуїтивно зрозумілі інтелектуальні пристрої та віртуальні помічники, які можуть обробляти різні сценарії, наприклад проактивне збереження електроенергії та впровадження заходів безпеки.
• Нові етичні та юридичні питання, такі як питання, пов’язані з конфіденційністю, власністю та відповідальністю.
• Поліпшення процесу прийняття рішень в уряді та інших політичних контекстах. Ця технологія також може бути використана для впливу на громадську думку через більш цілеспрямовану рекламу та створення гіперперсоналізованої реклами та ЗМІ.

Питання для розгляду

• Як ще, на вашу думку, нейросимволічний ШІ вплине на наше повсякденне життя?
• Як цю технологію можна використовувати в інших галузях?