Neuro-simbolička umjetna inteligencija: Mašina koja konačno može upravljati i logikom i učenjem

• Autor:
• Ime autora

  Quantumrun Foresight
• April 13, 2023

Mašinsko učenje (ML) je uvijek bila obećavajuća tehnologija sa svojim jedinstvenim izazovima, ali istraživači žele stvoriti sistem zasnovan na logici koji prevazilazi velike podatke. Sistemi zasnovani na logici su dizajnirani da rade sa simboličkim reprezentacijama i rasuđivanjem, što može pružiti transparentniji i razumljiviji način razumijevanja procesa donošenja odluka u sistemu. 

Neuro-simbolički kontekst AI

Neuro-simbolički AI (koji se naziva i kompozitni AI) kombinuje dve grane veštačke inteligencije (AI). Prvi je simbolički AI, koji koristi simbole za razumijevanje odnosa i pravila (tj. boje i oblika objekta). Da bi simbolički AI funkcionisao, baza znanja mora biti precizna, detaljna i iscrpna. Ovaj zahtjev znači da ne može učiti sam i ovisi o ljudskoj stručnosti kako bi nastavio ažurirati bazu znanja. 

Druga komponenta neuro-simboličke AI su duboke neuronske mreže (duboke mreže) ili duboko učenje (DL). Ova tehnologija koristi brojne slojeve čvorova koji oponašaju neurone ljudskog mozga kako bi sami naučili da obrađuju velike skupove podataka. Na primjer, duboke mreže mogu proći kroz različite slike mačaka i pasa kako bi precizno identificirale što je što, a vremenom se poboljšavaju. Međutim, ono što duboke mreže ne mogu učiniti je procesiranje složenih odnosa. Kombinacijom simboličke AI i dubokih mreža, istraživači koriste DL za ubacivanje velikih količina podataka u bazu znanja, nakon čega simbolična AI može zaključiti ili identificirati pravila i odnose. Ova kombinacija omogućava efikasnije i preciznije otkrivanje znanja i donošenje odluka.

Još jedno područje koje se bavi neuro-simboličkom umjetnom inteligencijom su skupi procesi obuke u dubokoj mreži. Uz to, duboke mreže mogu biti osjetljive na male promjene ulaznih podataka, što dovodi do grešaka u klasifikaciji. Također se bore s apstraktnim zaključivanjem i odgovaranjem na pitanja bez mnogo podataka o obuci. Nadalje, interni rad ovih mreža je složen i ljudima je teško razumjeti, što čini izazovom tumačenje razloga iza njihovih predviđanja.

Ometajući uticaj

Istraživači sa Univerziteta Stanford sproveli su početne studije kompozitne veštačke inteligencije koristeći 100,000 slika osnovnih 3D oblika (kvadrata, sfere, cilindra, itd.). Zatim su koristili različita pitanja kako bi obučili hibrid da obrađuje podatke i zaključuje odnose (npr. da li su kocke crvene? ). Otkrili su da neuro-simbolička AI može tačno odgovoriti na ova pitanja u 98.9 posto vremena. Uz to, hibridu je bilo potrebno samo 10 posto podataka o obuci za razvoj rješenja. 

Budući da simboli ili pravila kontroliraju duboke mreže, istraživači mogu lako vidjeti kako oni "uče" i gdje dolazi do kvarova. Ranije je to bila jedna od slabosti dubokih mreža, nemogućnost praćenja zbog slojeva i slojeva složenih kodova i algoritama. Neuro-simbolički AI se testira u samovozećim vozilima kako bi prepoznao objekte na cesti i bilo kakve promjene u okruženju. Zatim se obučava da na odgovarajući način reaguje na ove spoljne faktore. 

Međutim, postoje različita mišljenja o tome da li je kombinacija simboličke AI i dubokih mreža najbolji put ka naprednijoj AI. Neki istraživači, poput onih sa Univerziteta Brown, vjeruju da ovaj hibridni pristup možda neće odgovarati nivou apstraktnog zaključivanja koji postiže ljudski um. Ljudski um može kreirati simboličke reprezentacije objekata i izvoditi različite vrste zaključivanja koristeći te simbole, koristeći biološke neuronske mreže, bez potrebe za posebnom simboličkom komponentom. Neki stručnjaci tvrde da alternativne metode, kao što je dodavanje funkcija dubokim mrežama koje oponašaju ljudske sposobnosti, mogu biti efikasnije u poboljšanju sposobnosti umjetne inteligencije.

Aplikacije za neuro-simboličku AI

Neke aplikacije za neuro-simboličku AI mogu uključivati:

• Botovi, kao što su chatbotovi, koji mogu bolje razumjeti ljudske komande i motivaciju, proizvodeći preciznije odgovore i usluge.
• Njegova primjena u složenijim i osjetljivijim scenarijima rješavanja problema kao što su medicinska dijagnoza, planiranje liječenja i razvoj lijekova. Tehnologija se također može primijeniti za ubrzanje naučnih i tehnoloških istraživanja u oblastima kao što su transport, energija i proizvodnja. 
• Automatizacija procesa donošenja odluka koji trenutno zahtijevaju ljudsko prosuđivanje. Kao rezultat toga, takve aplikacije mogu dovesti do gubitka empatije i odgovornosti u određenim poljima kao što je služba za korisnike.
• Intuitivniji pametni uređaji i virtuelni asistenti koji mogu obraditi različite scenarije, kao što su proaktivno očuvanje električne energije i implementacija sigurnosnih mjera.
• Nova etička i pravna pitanja, kao što su pitanja vezana za privatnost, vlasništvo i odgovornost.
• Poboljšano donošenje odluka u vladi i drugim političkim kontekstima. Ova tehnologija bi se također mogla koristiti za utjecaj na javno mnijenje kroz ciljanije oglašavanje i stvaranje hiperpersonaliziranih reklama i medija.

Pitanja koja treba razmotriti

• Šta još mislite da će neuro-simbolička AI uticati na naše svakodnevne živote?
• Kako se ova tehnologija može koristiti u drugim industrijama?