न्यूरो-सिम्बॉलिक एआय: एक मशीन जे शेवटी तर्कशास्त्र आणि शिक्षण दोन्ही हाताळू शकते

• लेखक बद्दल:
• लेखक नाव

  Quantumrun दूरदृष्टी
• एप्रिल 13, 2023

मशीन लर्निंग (ML) हे नेहमीच त्याच्या अद्वितीय आव्हानांसह एक आश्वासक तंत्रज्ञान आहे, परंतु संशोधक मोठ्या डेटाच्या पलीकडे जाणारी तर्क-आधारित प्रणाली तयार करण्याचा विचार करत आहेत. लॉजिक-आधारित सिस्टीम ला प्रतिकात्मक प्रतिनिधित्व आणि तर्कासह कार्य करण्यासाठी डिझाइन केले आहे, जे सिस्टमची निर्णय घेण्याची प्रक्रिया समजून घेण्याचा अधिक पारदर्शक आणि अर्थपूर्ण मार्ग प्रदान करू शकते. 

न्यूरो-सिम्बॉलिक एआय संदर्भ

न्यूरो-सिम्बॉलिक एआय (ज्याला कंपोझिट एआय देखील म्हणतात) कृत्रिम बुद्धिमत्ता (एआय) च्या दोन शाखा एकत्र करते. प्रथम प्रतीकात्मक AI आहे, जे संबंध आणि नियम (म्हणजे एखाद्या वस्तूचा रंग आणि आकार) समजून घेण्यासाठी चिन्हे वापरतात. प्रतीकात्मक AI कार्य करण्यासाठी, ज्ञानाचा आधार अचूक, तपशीलवार आणि संपूर्ण असणे आवश्यक आहे. या आवश्यकतेचा अर्थ असा आहे की तो स्वतः शिकू शकत नाही आणि ज्ञान बेस अद्ययावत करत राहण्यासाठी मानवी कौशल्यावर अवलंबून आहे. 

न्यूरो-सिम्बॉलिक एआयचा दुसरा घटक म्हणजे डीप न्यूरल नेटवर्क्स (डीप नेट) किंवा डीप लर्निंग (डीएल). हे तंत्रज्ञान मोठ्या डेटासेटवर प्रक्रिया करण्यासाठी स्वयं-शिकण्यासाठी मानवी मेंदूच्या न्यूरॉन्सची नक्कल करणारे नोड्सचे असंख्य स्तर वापरतात. उदाहरणार्थ, कोणती आहे हे अचूकपणे ओळखण्यासाठी खोल जाळे मांजरी आणि कुत्र्यांच्या वेगवेगळ्या प्रतिमांमधून जाऊ शकतात आणि ते कालांतराने सुधारतात. तथापि, जे खोल जाळे करू शकत नाही ते जटिल संबंधांवर प्रक्रिया करते. प्रतिकात्मक AI आणि खोल जाळे एकत्र करून, संशोधक ज्ञान बेसमध्ये मोठ्या प्रमाणात डेटा मंथन करण्यासाठी DL वापरतात, त्यानंतर प्रतीकात्मक AI नियम आणि नातेसंबंधांचा अंदाज लावू शकतो किंवा ओळखू शकतो. हे संयोजन अधिक कार्यक्षम आणि अचूक ज्ञान शोध आणि निर्णय घेण्यास अनुमती देते.

न्यूरो-सिम्बॉलिक एआय पत्ते असलेले आणखी एक क्षेत्र म्हणजे खोल निव्वळ महागडी प्रशिक्षण प्रक्रिया. याव्यतिरिक्त, डीप नेट लहान इनपुट डेटा बदलांसाठी संवेदनशील असू शकतात, ज्यामुळे वर्गीकरण त्रुटी येऊ शकतात. ते अमूर्त तर्क आणि जास्त प्रशिक्षण डेटाशिवाय प्रश्नांची उत्तरे देण्यासाठी देखील संघर्ष करतात. शिवाय, या नेटवर्कचे अंतर्गत कार्य मानवांना समजणे अवघड आणि अवघड आहे, ज्यामुळे त्यांच्या अंदाजांमागील तर्काचा अर्थ लावणे एक आव्हान बनते.

व्यत्यय आणणारा प्रभाव

स्टॅनफोर्ड युनिव्हर्सिटीच्या संशोधकांनी मूलभूत 100,000D आकारांच्या (चौरस, गोल, सिलेंडर इ.) 3 प्रतिमा वापरून संमिश्र AI चा प्रारंभिक अभ्यास केला, त्यानंतर त्यांनी संकरितांना डेटावर प्रक्रिया करण्यासाठी आणि नातेसंबंधांचे अनुमान काढण्यासाठी विविध प्रश्नांचा वापर केला (उदा., क्यूब्स लाल आहेत का? ). त्यांना आढळले की न्यूरो-सिम्बॉलिक एआय या प्रश्नांची उत्तरे 98.9 टक्के वेळेत अचूकपणे देऊ शकते. याव्यतिरिक्त, उपाय विकसित करण्यासाठी हायब्रीडला फक्त 10 टक्के प्रशिक्षण डेटा आवश्यक आहे. 

चिन्हे किंवा नियम खोल जाळ्यांवर नियंत्रण ठेवत असल्याने, संशोधक ते "शिकत" कसे आहेत आणि कुठे बिघाड होत आहेत हे सहजपणे पाहू शकतात. पूर्वी, हे खोल जाळ्यांच्या कमकुवतपणांपैकी एक आहे, जटिल कोड आणि अल्गोरिदमच्या स्तर आणि स्तरांमुळे ट्रॅक करणे अशक्य आहे. रस्त्यावरील वस्तू आणि वातावरणातील कोणतेही बदल ओळखण्यासाठी सेल्फ-ड्रायव्हिंग वाहनांमध्ये न्यूरो-सिम्बॉलिक एआयची चाचणी केली जात आहे. त्यानंतर या बाह्य घटकांवर योग्य प्रतिक्रिया देण्याचे प्रशिक्षण दिले जाते. 

तथापि, प्रतिकात्मक AI आणि डीप नेट्सचे संयोजन अधिक प्रगत AI कडे जाण्याचा सर्वोत्तम मार्ग आहे की नाही यावर भिन्न मते आहेत. काही संशोधक, जसे की ब्राउन युनिव्हर्सिटी, असे मानतात की हा संकरित दृष्टीकोन मानवी मनाने साध्य केलेल्या अमूर्त तर्काच्या पातळीशी जुळत नाही. मानवी मन वस्तूंचे प्रतीकात्मक प्रतिनिधित्व तयार करू शकते आणि समर्पित प्रतिकात्मक घटकाची आवश्यकता न घेता, जैविक न्यूरल नेटवर्क्स वापरून या चिन्हांचा वापर करून विविध प्रकारचे तर्क करू शकते. काही तज्ञांचा असा युक्तिवाद आहे की पर्यायी पद्धती, जसे की मानवी क्षमतांची नक्कल करणार्‍या खोल जाळ्यांमध्ये वैशिष्ट्ये जोडणे, एआय क्षमता वाढविण्यासाठी अधिक प्रभावी असू शकतात.

न्यूरो-सिम्बॉलिक एआयसाठी अर्ज

न्यूरो-सिम्बॉलिक एआयसाठी काही अनुप्रयोगांमध्ये हे समाविष्ट असू शकते:

• बॉट, जसे की चॅटबॉट्स, जे मानवी आज्ञा आणि प्रेरणा अधिक चांगल्या प्रकारे समजू शकतात, अधिक अचूक प्रतिसाद आणि सेवा तयार करतात.
• वैद्यकीय निदान, उपचार नियोजन आणि औषध विकास यासारख्या अधिक जटिल आणि संवेदनशील समस्या-निराकरण परिस्थितींमध्ये त्याचा वापर. वाहतूक, ऊर्जा आणि उत्पादन यासारख्या क्षेत्रांसाठी वैज्ञानिक आणि तांत्रिक संशोधनाला गती देण्यासाठी देखील तंत्रज्ञान लागू केले जाऊ शकते. 
• निर्णय घेण्याच्या प्रक्रियेचे ऑटोमेशन ज्यांना सध्या मानवी निर्णयाची आवश्यकता आहे. परिणामी, अशा अनुप्रयोगांमुळे ग्राहक सेवेसारख्या विशिष्ट क्षेत्रात सहानुभूती आणि जबाबदारी कमी होऊ शकते.
• अधिक अंतर्ज्ञानी स्मार्ट उपकरणे आणि आभासी सहाय्यक जे वेगवेगळ्या परिस्थितींवर प्रक्रिया करू शकतात, जसे की सक्रियपणे वीज वाचवणे आणि सुरक्षा उपायांची अंमलबजावणी करणे.
• नवीन नैतिक आणि कायदेशीर प्रश्न, जसे की गोपनीयता, मालकी आणि जबाबदारी यांच्याशी संबंधित समस्या.
• सरकार आणि इतर राजकीय संदर्भांमध्ये सुधारित निर्णयक्षमता. हे तंत्रज्ञान अधिक लक्ष्यित जाहिराती आणि हायपर-वैयक्तिकीकृत जाहिराती आणि माध्यमांच्या निर्मितीद्वारे जनमतावर प्रभाव टाकण्यासाठी देखील वापरले जाऊ शकते.

विचारात घेण्यासारखे प्रश्न

• न्यूरो-सिम्बॉलिक एआयचा आपल्या दैनंदिन जीवनावर कसा परिणाम होईल असे तुम्हाला वाटते?
• हे तंत्रज्ञान इतर उद्योगांमध्ये कसे वापरले जाऊ शकते?