Neuro simbolinė ai mašina pagaliau gali valdyti ir logiką, ir mokymąsi

VAIZDO KREDITAS:

iStock

Neuro-simbolinis AI: mašina, kuri pagaliau gali valdyti logiką ir mokymąsi

Simbolinis dirbtinis intelektas (AI) ir gilieji neuroniniai tinklai turi apribojimų, tačiau mokslininkai atrado būdą, kaip juos sujungti ir sukurti išmanesnį AI.

Autorius:
autoriaus vardas
Quantumrun Foresight
Balandis 13, 2023

Mašinų mokymasis (ML) visada buvo daug žadanti technologija, turinti unikalių iššūkių, tačiau mokslininkai siekia sukurti logika pagrįstą sistemą, kuri neapsiriboja dideliais duomenimis. Logika pagrįstos sistemos yra sukurtos dirbti su simboliniais vaizdais ir samprotavimais, kurie gali suteikti skaidresnį ir aiškiau suprantamą sistemos sprendimų priėmimo procesą.

Neuro-simbolinis AI kontekstas

Neurosimbolinis AI (dar vadinamas sudėtiniu AI) sujungia dvi dirbtinio intelekto (AI) šakas. Pirma, tai simbolinis AI, kuris naudoja simbolius, kad suprastų santykius ir taisykles (ty objekto spalvą ir formą). Kad simbolinis AI veiktų, žinių bazė turi būti tiksli, išsami ir išsami. Šis reikalavimas reiškia, kad jis negali mokytis pats ir priklauso nuo žmogaus patirties, kad nuolat atnaujintų žinių bazę.

Kitas neurosimbolinio AI komponentas yra gilieji neuroniniai tinklai (gilieji tinklai) arba gilusis mokymasis (DL). Ši technologija naudoja daugybę mazgų sluoksnių, imituojančių žmogaus smegenų neuronus, kad savarankiškai išmoktų apdoroti didelius duomenų rinkinius. Pavyzdžiui, gilieji tinklai gali pereiti per skirtingus kačių ir šunų atvaizdus, kad būtų galima tiksliai nustatyti, kuris yra kuris, ir laikui bėgant jie tobulėja. Tačiau gilieji tinklai negali apdoroti sudėtingų santykių. Derindami simbolinį AI ir giluminius tinklus, mokslininkai naudoja DL, kad sukauptų didelius duomenų kiekius į žinių bazę, o po to simbolinis AI gali daryti išvadą arba nustatyti taisykles ir ryšius. Šis derinys leidžia efektyviau ir tiksliau atrasti žinias ir priimti sprendimus.

Kita sritis, kurią sprendžia neurosimbolinis AI, yra brangus gilaus tinklo mokymo procesas. Be to, gilieji tinklai gali būti jautrūs nedideliems įvesties duomenų pokyčiams, todėl gali atsirasti klasifikavimo klaidų. Jie taip pat kovoja su abstrakčiais samprotavimais ir atsakinėja į klausimus neturėdami daug mokymo duomenų. Be to, vidinis šių tinklų veikimas yra sudėtingas ir žmonėms sunkiai suprantamas, todėl sunku interpretuoti jų prognozių motyvus.

Trikdantis poveikis

Tyrėjai iš Stanfordo universiteto atliko pradinius sudėtinio AI tyrimus, naudodami 100,000 3 pagrindinių 98.9D formų (kvadratų, sferų, cilindrų ir kt.) vaizdų. Tada jie naudojo skirtingus klausimus, kad išmokytų hibridą apdoroti duomenis ir daryti išvadas apie ryšius (pvz., ar kubai yra raudoni? ). Jie nustatė, kad neurosimbolinis AI gali teisingai atsakyti į šiuos klausimus 10 proc. Be to, norint sukurti sprendimus, hibridui reikėjo tik XNUMX procentų mokymo duomenų.

Kadangi simboliai ar taisyklės valdo gilius tinklus, mokslininkai gali lengvai pamatyti, kaip jie „mokosi“ ir kur įvyksta gedimai. Anksčiau tai buvo viena iš giliųjų tinklų silpnybių – nesugebėjimas būti sekamas dėl sudėtingų kodų ir algoritmų sluoksnių ir sluoksnių. Neurosimbolinis AI išbandomas savarankiškai važiuojančiose transporto priemonėse, siekiant atpažinti kelyje esančius objektus ir bet kokius aplinkos pokyčius. Tada jis mokomas tinkamai reaguoti į šiuos išorinius veiksnius.

Tačiau yra skirtingų nuomonių, ar simbolinio AI ir giliųjų tinklų derinys yra geriausias kelias į pažangesnį AI. Kai kurie mokslininkai, pavyzdžiui, iš Browno universiteto, mano, kad šis hibridinis požiūris gali neatitikti žmogaus proto pasiekto abstraktaus samprotavimo lygio. Žmogaus protas gali kurti simbolinius objektų vaizdus ir atlikti įvairius samprotavimus naudodamas šiuos simbolius, naudodamas biologinius neuroninius tinklus, nereikalaujant tam skirto simbolinio komponento. Kai kurie ekspertai teigia, kad alternatyvūs metodai, tokie kaip giluminių tinklų, imituojančių žmogaus gebėjimus, papildymas funkcijomis gali būti veiksmingesni gerinant dirbtinio intelekto galimybes.

Neuro-simbolinio AI programos

Kai kurios neurosimbolinio AI programos gali apimti:

Botai, pvz., pokalbių robotai, kurie gali geriau suprasti žmonių komandas ir motyvaciją, duoti tikslesnius atsakymus ir teikti paslaugas.
Jo taikymas sudėtingesniuose ir jautresniuose problemų sprendimo scenarijuose, tokiuose kaip medicininė diagnozė, gydymo planavimas ir vaistų kūrimas. Ši technologija taip pat gali būti taikoma siekiant pagreitinti mokslinius ir technologinius tyrimus tokiose srityse kaip transportas, energetika ir gamyba.
Sprendimų priėmimo procesų, kuriems šiuo metu reikalingas žmogaus sprendimas, automatizavimas. Dėl to tokios programos gali prarasti empatiją ir atskaitomybę tam tikrose srityse, pvz., klientų aptarnavimo srityse.
Intuityvesni išmanieji prietaisai ir virtualūs asistentai, galintys apdoroti įvairius scenarijus, pvz., aktyviai taupyti elektrą ir įgyvendinti saugumo priemones.
Nauji etiniai ir teisiniai klausimai, pvz., su privatumu, nuosavybe ir atsakomybe susiję klausimai.
Pagerintas sprendimų priėmimas vyriausybėje ir kituose politiniuose kontekstuose. Ši technologija taip pat galėtų būti naudojama siekiant paveikti viešąją nuomonę per tikslingesnę reklamą ir kuriant itin suasmenintas reklamas ir žiniasklaidą.