Neuro symboalyske ai masine kin úteinlik omgean sawol logika en learen

Ofbyldingskredyt:

iStock

Neuro-symboalyske AI: In masine dy't úteinlik sawol logika as learen kin omgean

Symboalyske keunstmjittige yntelliginsje (AI) en djippe neurale netwurken hawwe beheiningen, mar wittenskippers hawwe in manier ûntdutsen om se te kombinearjen en in slimmer AI te meitsjen.

Skriuwer:
Namme fan auteur
Quantumrun Foresight
April 13, 2023

Masine learen (ML) hat altyd in kânsrike technology west mei syn unike útdagings, mar ûndersikers sykje in logika-basearre systeem te meitsjen dat fierder giet dan grutte gegevens. Logika-basearre systemen binne ûntworpen om te wurkjen mei symboalyske foarstellings en redenearring, dy't in mear transparante en ynterpretabele manier kinne leverje om it beslútfoarmingproses fan in systeem te begripen.

Neuro-symboalyske AI kontekst

Neuro-symboalyske AI (ek wol gearstalde AI neamd) kombinearret twa tûken fan keunstmjittige yntelliginsje (AI). Earst is de symboalyske AI, dy't symboalen brûkt om relaasjes en regels te begripen (dus de kleur en foarm fan in objekt). Foar symboalyske AI om te wurkjen, moat de kennisbasis presys, detaillearre en útputtend wêze. Dizze eask betsjut dat it sels net leare kin en hinget fan minsklike ekspertize om de kennisbasis by te hâlden.

De oare komponint fan neuro-symboalyske AI is djippe neurale netwurken (djippe netten) of djip learen (DL). Dizze tech brûkt ferskate lagen fan knooppunten dy't de neuroanen fan 'e minsklike harsens imitearje om sels te learen om grutte datasets te ferwurkjen. Djippe netten kinne bygelyks troch ferskate bylden fan katten en hûnen gean om sekuer te identifisearjen wat wat is, en se ferbetterje oer de tiid. Wat djippe netten lykwols net kinne, is komplekse relaasjes ferwurkje. Troch symboalyske AI en djippe netten te kombinearjen, brûke ûndersikers DL om grutte hoemannichten gegevens yn 'e kennisbasis te churn, wêrnei't symboalyske AI regels en relaasjes kin ôfliede of identifisearje. Dizze kombinaasje soarget foar effisjinter en krekter kennisûntdekking en beslútfoarming.

In oar gebiet dat neuro-symboalyske AI oanpakt is it djoere trainingsproses fan djip net. Derneist kinne djippe netten gefoelich wêze foar lytse wizigingen fan ynfiergegevens, wat liede ta klassifikaasjeflaters. Se wrakselje ek mei abstrakte redenearring en it beantwurdzjen fan fragen sûnder in protte trainingsgegevens. Fierder binne de ynterne wurking fan dizze netwurken kompleks en lestich foar minsken te begripen, wêrtroch it in útdaging is om de redenearring efter har foarsizzingen te ynterpretearjen.

Disruptive ynfloed

Ûndersikers fan Stanford University útfierd earste stúdzjes fan gearstalde AI mei help fan 100,000 bylden fan basale 3D foarmen (kwadraten, sferen, silinders, ensfh) Se brûkten doe ferskillende fragen te trenen de hybride te ferwurkjen gegevens en konkludearje relaasjes (bgl, binne de kubes read? ). Se fûnen dat neuro-symboalyske AI dizze fragen 98.9 prosint fan 'e tiid korrekt beantwurdzje koe. Derneist hat de hybride allinich 10 prosint fan trainingsgegevens nedich om oplossingen te ûntwikkeljen.

Om't symboalen of regels djippe netten kontrolearje, kinne ûndersikers maklik sjen hoe't se "leare" en wêr't breakdowns foarkomme. Earder wie dit ien fan 'e swakkens fan djippe netten, it ûnfermogen om te folgjen fanwegen lagen en lagen fan komplekse koades en algoritmen. Neuro-symboalyske AI wurdt hifke yn selsridende auto's om objekten op 'e dyk en alle feroaringen yn' e omjouwing te herkennen. It wurdt dan trainearre om passend te reagearjen op dizze eksterne faktoaren.

D'r binne lykwols ferskate mieningen oer oft de kombinaasje fan symboalyske AI en djippe netten it bêste paad is nei mear avansearre AI. Guon ûndersikers, lykas dy fan Brown University, leauwe dat dizze hybride oanpak miskien net oerienkomt mei it nivo fan abstrakte redenearring dy't troch minsklike geasten berikt is. De minsklike geast kin symboalyske foarstellings fan objekten meitsje en ferskate soarten redenearring útfiere mei dizze symboalen, mei biologyske neuronale netwurken, sûnder in tawijd symboalysk komponint nedich. Guon saakkundigen beweare dat alternative metoaden, lykas it tafoegjen fan funksjes oan djippe netten dy't minsklike kapasiteiten mimike, effektiver kinne wêze yn it ferbetterjen fan AI-mooglikheden.

Applikaasjes foar neuro-symboalyske AI

Guon applikaasjes foar neuro-symboalyske AI kinne omfetsje:

Bots, lykas chatbots, dy't minsklike kommando's en motivaasje better kinne begripe, en produsearje krekter antwurden en tsjinsten.
De tapassing dêrfan yn kompleksere en gefoelige senario's foar probleem-oplossen, lykas medyske diagnoaze, behannelingplanning en medisynûntwikkeling. De tech kin ek tapast wurde om wittenskiplik en technologysk ûndersyk te fersnellen foar fjilden lykas ferfier, enerzjy en fabrikaazje.
De automatisearring fan beslútfoarmingsprosessen dy't op it stuit minsklik oardiel fereaskje. As resultaat kinne sokke applikaasjes liede ta in ferlies fan empaty en ferantwurding op bepaalde fjilden lykas klanttsjinst.
Mear yntuïtive tûke apparaten en firtuele assistinten dy't ferskate senario's kinne ferwurkje, lykas proaktyf behâld fan elektrisiteit en it útfieren fan feiligensmaatregels.
Nije etyske en juridyske fragen, lykas problemen yn ferbân mei privacy, eigendom, en ferantwurdlikens.
Ferbettere beslútfoarming yn oerheid en oare politike konteksten. Dizze technology koe ek brûkt wurde om de publike miening te beynfloedzjen troch mear doelgerichte reklame en it generearjen fan hyper-personalisearre advertinsjes en media.