Neuro-symbolic AI: Isang makina na sa wakas ay kayang pangasiwaan ang parehong lohika at pag-aaral

• May-akda:
• pangalan Author

  Quantumrun Foresight
• Abril 13, 2023

Ang machine learning (ML) ay palaging isang promising na teknolohiya na may mga natatanging hamon nito, ngunit ang mga mananaliksik ay naghahanap upang lumikha ng isang logic-based system na higit pa sa malaking data. Ang mga sistemang nakabatay sa lohika ay idinisenyo upang gumana sa mga simbolikong representasyon at pangangatwiran, na maaaring magbigay ng isang mas transparent at naiintindihan na paraan ng pag-unawa sa proseso ng paggawa ng desisyon ng isang system. 

Konteksto ng Neuro-symbolic AI

Ang neuro-symbolic AI (tinatawag ding composite AI) ay pinagsasama ang dalawang sangay ng artificial intelligence (AI). Una ay ang simbolikong AI, na gumagamit ng mga simbolo upang maunawaan ang mga relasyon at panuntunan (ibig sabihin, ang kulay at hugis ng isang bagay). Para gumana ang simbolikong AI, dapat na tumpak, detalyado, at kumpleto ang knowledge base. Nangangahulugan ang pangangailangang ito na hindi ito matututo nang mag-isa at nakasalalay sa kadalubhasaan ng tao upang patuloy na i-update ang base ng kaalaman. 

Ang iba pang bahagi ng neuro-symbolic AI ay deep neural networks (deep nets) o deep learning (DL). Gumagamit ang teknolohiyang ito ng maraming layer ng mga node na ginagaya ang mga neuron ng utak ng tao upang matuto sa sarili na magproseso ng malalaking dataset. Halimbawa, ang malalalim na lambat ay maaaring dumaan sa iba't ibang larawan ng mga pusa at aso upang tumpak na matukoy kung alin, at bumubuti ang mga ito sa paglipas ng panahon. Gayunpaman, ang hindi magagawa ng malalalim na lambat ay magproseso ng mga kumplikadong relasyon. Sa pamamagitan ng pagsasama-sama ng simbolikong AI at malalim na mga lambat, ginagamit ng mga mananaliksik ang DL para mag-churn ng malaking halaga ng data sa base ng kaalaman, pagkatapos kung saan ang simbolikong AI ay maaaring magpahiwatig o tumukoy ng mga panuntunan at relasyon. Ang kumbinasyong ito ay nagbibigay-daan para sa mas mahusay at tumpak na pagtuklas ng kaalaman at paggawa ng desisyon.

Ang isa pang lugar na tinutukoy ng neuro-symbolic AI ay ang magastos na proseso ng pagsasanay ng deep net. Bukod pa rito, ang mga malalalim na lambat ay maaaring maging sensitibo sa maliliit na pagbabago sa data ng input, na humahantong sa mga error sa pag-uuri. Nahihirapan din sila sa abstract na pangangatwiran at pagsagot sa mga tanong nang walang gaanong data ng pagsasanay. Higit pa rito, ang mga panloob na gawain ng mga network na ito ay kumplikado at mahirap para sa mga tao na maunawaan, na ginagawa itong isang hamon upang bigyang-kahulugan ang pangangatwiran sa likod ng kanilang mga hula.

Nakakagambalang epekto

Ang mga mananaliksik mula sa Stanford University ay nagsagawa ng mga paunang pag-aaral ng composite AI gamit ang 100,000 mga larawan ng mga pangunahing 3D na hugis (mga parisukat, sphere, cylinder, atbp.) Pagkatapos ay gumamit sila ng iba't ibang mga tanong upang sanayin ang hybrid na magproseso ng data at maghinuha ng mga relasyon (hal, ang mga cube ay pula? ). Natagpuan nila na ang neuro-symbolic AI ay maaaring sumagot ng tama sa mga tanong na ito 98.9 porsyento ng oras. Bilang karagdagan, ang hybrid ay nangangailangan lamang ng 10 porsiyento ng data ng pagsasanay upang bumuo ng mga solusyon. 

Dahil kontrolado ng mga simbolo o panuntunan ang malalalim na lambat, madaling makita ng mga mananaliksik kung paano sila "natututo" at kung saan nangyayari ang mga pagkasira. Dati, isa ito sa mga kahinaan ng malalim na lambat, ang kawalan ng kakayahang masubaybayan dahil sa mga layer at layer ng kumplikadong mga code at algorithm. Ang neuro-symbolic AI ay sinusubok sa mga self-driving na sasakyan upang makilala ang mga bagay sa kalsada at anumang pagbabago sa kapaligiran. Pagkatapos ay sinanay itong tumugon nang naaangkop sa mga panlabas na salik na ito. 

Gayunpaman, may magkakaibang opinyon kung ang kumbinasyon ng simbolikong AI at malalim na mga lambat ay ang pinakamahusay na landas patungo sa mas advanced na AI. Ang ilang mga mananaliksik, tulad ng mula sa Brown University, ay naniniwala na ang hybrid na diskarte na ito ay maaaring hindi tumugma sa antas ng abstract na pangangatwiran na nakamit ng mga isipan ng tao. Ang isip ng tao ay maaaring lumikha ng mga simbolikong representasyon ng mga bagay at magsagawa ng iba't ibang uri ng pangangatwiran gamit ang mga simbolo na ito, gamit ang mga biological neural network, nang hindi nangangailangan ng nakalaang simbolikong bahagi. Nagtatalo ang ilang eksperto na ang mga alternatibong pamamaraan, tulad ng pagdaragdag ng mga feature sa malalalim na lambat na gayahin ang kakayahan ng tao, ay maaaring maging mas epektibo sa pagpapahusay ng mga kakayahan ng AI.

Mga aplikasyon para sa neuro-symbolic AI

Ang ilang mga aplikasyon para sa neuro-symbolic AI ay maaaring kabilang ang:

• Ang mga bot, gaya ng mga chatbot, na mas makakaunawa sa mga utos at motibasyon ng tao, na gumagawa ng mas tumpak na mga tugon at serbisyo.
• Ang aplikasyon nito sa mas kumplikado at sensitibong mga sitwasyon sa paglutas ng problema gaya ng medikal na diagnosis, pagpaplano ng paggamot, at pagbuo ng gamot. Ang teknolohiya ay maaari ding ilapat upang mapabilis ang siyentipiko at teknolohikal na pananaliksik para sa mga larangan tulad ng transportasyon, enerhiya, at pagmamanupaktura. 
• Ang automation ng mga proseso ng paggawa ng desisyon na kasalukuyang nangangailangan ng paghatol ng tao. Bilang resulta, ang mga naturang application ay maaaring humantong sa pagkawala ng empatiya at pananagutan sa ilang partikular na larangan tulad ng serbisyo sa customer.
• Higit pang mga intuitive na matalinong appliances at virtual assistant na maaaring magproseso ng iba't ibang mga sitwasyon, tulad ng aktibong pagtitipid ng kuryente at pagpapatupad ng mga hakbang sa seguridad.
• Mga bagong tanong na etikal at legal, gaya ng mga isyung nauugnay sa privacy, pagmamay-ari, at responsibilidad.
• Pinahusay na paggawa ng desisyon sa gobyerno at iba pang kontekstong pampulitika. Magagamit din ang teknolohiyang ito upang maimpluwensyahan ang opinyon ng publiko sa pamamagitan ng mas naka-target na advertising at ang pagbuo ng mga hyper-personalized na advertisement at media.

Mga katanungang dapat isaalang-alang

• Paano pa sa tingin mo ang neuro-symbolic AI ay makakaapekto sa ating pang-araw-araw na buhay?
• Paano magagamit ang teknolohiyang ito sa ibang mga industriya?