AI neuro-simbolic: o mașină care poate gestiona în sfârșit atât logica, cât și învățarea

• Autor:
• Numele autorului

  Previziune Quantumrun
• Aprilie 13, 2023

Învățarea automată (ML) a fost întotdeauna o tehnologie promițătoare cu provocările sale unice, dar cercetătorii caută să creeze un sistem bazat pe logică care să depășească datele mari. Sistemele bazate pe logică sunt proiectate să funcționeze cu reprezentări simbolice și raționament, care pot oferi un mod mai transparent și mai interpretabil de înțelegere a procesului de luare a deciziilor unui sistem. 

Context AI neuro-simbolic

AI neuro-simbolic (numit și AI compozit) combină două ramuri ale inteligenței artificiale (AI). Primul este AI simbolic, care folosește simboluri pentru a înțelege relațiile și regulile (adică, culoarea și forma unui obiect). Pentru ca IA simbolică să funcționeze, baza de cunoștințe trebuie să fie precisă, detaliată și exhaustivă. Această cerință înseamnă că nu poate învăța de la sine și depinde de expertiza umană pentru a continua actualizarea bazei de cunoștințe. 

Cealaltă componentă a inteligenței artificiale neuro-simbolice sunt rețelele neuronale profunde (rețele profunde) sau învățarea profundă (DL). Această tehnologie folosește numeroase straturi de noduri care imită neuronii creierului uman pentru a auto-învăța să proceseze seturi mari de date. De exemplu, plasele adânci pot trece prin diferite imagini ale pisicilor și câinilor pentru a identifica cu exactitate care este care și se îmbunătățesc în timp. Cu toate acestea, ceea ce rețelele adânci nu pot face este să proceseze relații complexe. Combinând IA simbolică și rețelele profunde, cercetătorii folosesc DL pentru a transfera cantități mari de date în baza de cunoștințe, după care AI simbolică poate deduce sau identifica reguli și relații. Această combinație permite descoperirea cunoștințelor și luarea deciziilor mai eficiente și mai precise.

Un alt domeniu pe care îl abordează AI neuro-simbolic este procesul costisitor de antrenament al rețelei profunde. În plus, rețelele adânci pot fi sensibile la mici modificări ale datelor de intrare, ceea ce duce la erori de clasificare. De asemenea, se luptă cu raționamentul abstract și cu răspunsul la întrebări fără prea multe date de antrenament. În plus, funcționarea internă a acestor rețele este complexă și dificil de înțeles de către oameni, ceea ce face ca interpretarea raționamentului din spatele predicțiilor lor să fie o provocare.

Impact perturbator

Cercetătorii de la Universitatea Stanford au efectuat studii inițiale ale IA compozită folosind 100,000 de imagini de forme 3D de bază (pătrate, sfere, cilindri etc.). Apoi au folosit diferite întrebări pentru a antrena hibridul să proceseze date și să deducă relații (de exemplu, cuburile sunt roșii? ). Ei au descoperit că AI neuro-simbolic ar putea răspunde corect la aceste întrebări în 98.9 la sută din timp. În plus, hibridul a necesitat doar 10% din datele de antrenament pentru a dezvolta soluții. 

Deoarece simbolurile sau regulile controlează rețelele adânci, cercetătorii pot vedea cu ușurință cum „învață” și unde apar defecțiuni. Anterior, aceasta a fost una dintre punctele slabe ale rețelelor adânci, incapacitatea de a fi urmărite din cauza straturilor și straturilor de coduri și algoritmi complexe. Inteligența artificială neuro-simbolică este testată în vehicule cu conducere autonomă pentru a recunoaște obiectele de pe drum și orice schimbări în mediu. Apoi este antrenat să reacționeze în mod corespunzător la acești factori externi. 

Cu toate acestea, există opinii diferite dacă combinația dintre IA simbolică și rețelele adânci este cea mai bună cale către AI mai avansată. Unii cercetători, cum ar fi cei de la Universitatea Brown, cred că această abordare hibridă poate să nu se potrivească cu nivelul de raționament abstract atins de mințile umane. Mintea umană poate crea reprezentări simbolice ale obiectelor și poate efectua diverse tipuri de raționament folosind aceste simboluri, folosind rețele neuronale biologice, fără a avea nevoie de o componentă simbolică dedicată. Unii experți susțin că metodele alternative, cum ar fi adăugarea de caracteristici la rețelele adânci care imită abilitățile umane, pot fi mai eficiente în îmbunătățirea capacităților AI.

Aplicații pentru IA neuro-simbolică

Unele aplicații pentru IA neuro-simbolică pot include:

• Boții, cum ar fi chatboții, care pot înțelege mai bine comenzile și motivația umană, producând răspunsuri și servicii mai precise.
• Aplicarea sa în scenarii mai complexe și mai sensibile de rezolvare a problemelor, cum ar fi diagnosticul medical, planificarea tratamentului și dezvoltarea medicamentelor. Tehnologia poate fi aplicată și pentru a accelera cercetarea științifică și tehnologică în domenii precum transportul, energia și producția. 
• Automatizarea proceselor de luare a deciziilor care necesită în prezent raționament uman. Ca rezultat, astfel de aplicații pot duce la pierderea empatiei și a răspunderii în anumite domenii, cum ar fi serviciul pentru clienți.
• Dispozitive inteligente mai intuitive și asistenți virtuali care pot procesa diferite scenarii, cum ar fi conservarea proactivă a energiei electrice și implementarea măsurilor de securitate.
• Noi întrebări etice și juridice, cum ar fi probleme legate de confidențialitate, proprietate și responsabilitate.
• Îmbunătățirea procesului decizional în guvern și în alte contexte politice. Această tehnologie ar putea fi, de asemenea, utilizată pentru a influența opinia publică prin publicitate mai direcționată și prin generarea de reclame și media hiperpersonalizate.

Întrebări de luat în considerare

• Cum altfel credeți că AI neuro-simbolic ne va afecta viața de zi cu zi?
• Cum poate fi folosită această tehnologie în alte industrii?