Нейросимволический ИИ

Изображения, используемые в моих статьях, являются собственностью соответствующих организаций и используются здесь исключительно в справочных, иллюстративных и образовательных целях. (Источник изображений: Google [Кроме некоторых изображений, источник которых конкретно указан под изображением])

Нейросимволический ИИ — развивающийся класс рабочих нагрузок ИИ и новая область исследований.

Что такое нейросимволический ИИ?

«Нейросимволический ИИ — это новая область исследований ИИ, которая стремится объединить традиционные подходы ИИ, основанные на правилах, с современными методами глубокого обучения», — Корнельский университет.

Он также называется составным ИИ и является новым термином для хорошо зарекомендовавшей себя концепции, имеющей огромное значение практически для любого корпоративного применения искусственного интеллекта.

Сочетая статистическую основу ИИ с его базой знаний, организации получают наиболее эффективные результаты когнитивной аналитики с наименьшим количеством проблем и меньшими затратами.

Мы можем рассматривать его как версию ИИ, отличную от известного нам ИИ, потому что он использует архитектуры нейронных сетей с глубоким обучением и сочетает их с методами символического мышления.

Но что это такое?

«Архитектуры нейронных сетей с глубоким обучением — Нейронные сети с глубоким обучением или искусственные нейронные сети (ИНС) пытаются имитировать человеческий мозг с помощью комбинации входных данных, весов и смещения. Эти элементы работают вместе, чтобы точно распознавать, классифицировать и описывать объекты в данных», — IBM.

Они состоят из нескольких уровней взаимосвязанных узлов, каждый из которых строится на предыдущем уровне для уточнения и оптимизации предсказания или категоризации.

Такое продвижение вычислений по сети называется прямым распространением. Входной и выходной слои глубокой нейронной сети называются видимыми слоями.

— — — —

Символический ИИ

Символический ИИ также известен как хороший старомодный ИИ (GOFAI)

Символический ИИ — это совокупность всех методов исследования ИИ, основанных на высокоуровневых символических (удобочитаемых) представлениях проблем, логики и поиска.

Проще говоря, символический ИИ — это подход, который обучает ИИ так же, как обучается человеческий мозг. Он учится понимать мир, формируя внутренние символические представления своего «мира».

Символический ИИ имитирует этот механизм и пытается явным образом представить человеческие знания с помощью удобочитаемых символов и правил, позволяющих манипулировать этими символами. Символический ИИ влечет за собой встраивание человеческих знаний и правил поведения в компьютерные программы.

Символический ИИ использует такие инструменты, как логическое программирование, продукционные правила, семантические сети и фреймы, и разработал такие приложения, как экспертные системы.

Методы символического мышления

Это правила, созданные благодаря вмешательству человека. То есть, чтобы построить символическую систему рассуждений, люди сначала должны изучить правила, по которым связаны два явления, а затем жестко запрограммировать эти отношения в статическую программу.

Пример: мы использовали нейронные сети, чтобы определить, какую форму или цвет имеет конкретный объект. Применение символического мышления к нему может сделать шаг вперед, чтобы рассказать о более интересных свойствах объекта, таких как площадь объекта, объем, размеры и т. д.

Различия между символическим ИИ и нейронными сетями

Символический ИИ

Символический ИИ в значительной степени основан на правилах.

Такой подход был первой официальной попыткой создания ИИ.
Его популярность росла между 1950-ми и 1980-ми годами.
Символический ИИ основан на способности людей понимать мир, формируя символические взаимосвязи и представления. Символические представления помогают нам создавать правила для определения понятий и фиксации повседневных знаний.
Это означает, что для того, чтобы объяснить что-то системе символического ИИ, инженер и исследователь символического ИИ должен будет явно предоставить каждую информацию и правило, которые ИИ может использовать для правильной идентификации.

На следующих изображениях показано, как символический ИИ может определять яблоко и велосипед.

Нейронные сети

Нейронные сети в значительной степени основаны на данных.

Часть «нейро» относится к нейронным сетям глубокого обучения. Они вдохновлены способностью человеческого мозга конкурировать.

Это новейшая технология в области искусственного интеллекта, с помощью которой эксперты по искусственному интеллекту вдохновили множество прорывов в области искусственного интеллекта. Идея беспилотных автомобилей — нейронная сеть. Концепция персональных помощников наподобие Alexa — нейронные сети.

Они учатся через данные.

Чтобы обучить ИИ нейронной сети, вам придется скармливать ему многочисленные изображения рассматриваемого предмета. Эти данные, которые подаются для его обучения, называются обучающими данными.

Как только он станет достаточно умным, он сможет не только идентифицировать объект, для которого он был обучен, но и создавать подобные объекты, которые могут даже не существовать в реальном мире.

Пример: Подумайте, лица людей, которых никогда не существовало, созданы искусственным интеллектом.

Примером этого может быть этот сайт.

Каждый раз, когда веб-страница обновляется, GAN (генеративно-состязательная сеть) (первоначально закодированная NVIDIA) отображает гиперреалистичные портреты полностью поддельных людей!

Для получения дополнительной информации об этом, проверьте мой пост на LinkedIn Здесь.

На следующих изображениях показано, как нейронные сети могут определять Apple.

Проблемы с символическим ИИ

Одной из основных проблем с символическим ИИ является сложность пересмотра убеждений после того, как они были закодированы в механизме правил. Экспертные системы монотонны; это означает, что чем больше правил вы добавляете, тем больше знаний закодировано в системе, но это также означает, что дополнительные правила не могут отменить старые знания.

Монотонность означает однонаправленность, т. е. когда одно идет вверх, другое идет вверх. Поскольку алгоритмы машинного обучения могут быть переобучены на новых данных и будут пересматривать свои параметры на основе этих новых данных, они лучше кодируют предварительные знания, от которых можно отказаться позже, если это необходимо, то есть. если им нужно узнать что-то новое, например, когда данные нестационарны.

Второй недостаток символического мышления заключается в том, что компьютер не знает, что означают символы, т. е. они не обязательно связаны с какими-либо другими представлениями мира несимволическим образом.

Опять же, это контрастирует с нейронными сетями, которые могут связывать символы с векторизованными представлениями данных, которые, в свою очередь, являются просто переводами необработанных сенсорных данных.

Таким образом, основная проблема, когда мы думаем о GOFAI и нейронных сетях, заключается в том, как обосновать символы или связать их с другими формами значения, которые позволили бы компьютерам отображать изменяющиеся необработанные ощущения мира в символы, а затем рассуждать о них.

Преимущества нейросимволического ИИ

Источник: DataFloq

Более высокая точность

Вы можете задаться вопросом, когда нейронные сети могут правильно ответить на 80% случаев, это достаточно хорошее число для машины. Почему оставшиеся 20% так важны?

Рассмотрим этот исключительный случай. Горящий светофор. В то время как водитель-человек понимает, как правильно реагировать на горящий сигнал светофора, как вы скажете беспилотному автомобилю действовать соответствующим образом, когда в систему практически нет данных о нем. Нейросимволический ИИ может управлять не только этими крайними случаями, но и другими ситуациями с меньшим количеством данных и высокой точностью.

Эффективность данных

Данные, необходимые для обучения современных систем искусственного интеллекта, огромны. Когда человеческий мозг может учиться на нескольких примерах, инженеры ИИ должны ввести тысячи в алгоритм ИИ. Нейросимволические системы ИИ можно обучать с 1% данных, которые требуются для других методов.

Прозрачность и интерпретируемость

Мало обсуждаемый, этот аспект систем искусственного интеллекта также озадачивает экспертов по искусственному интеллекту. Часто бывает трудно объяснить решения и выводы, к которым приходят системы ИИ. Это как «черный ящик».

В то время как вопрос о том, почему бот рекомендует определенную песню, а не другую в Spotify, вряд ли будет волновать пользователя, существуют и другие ситуации, когда прозрачность решений ИИ становится жизненно важной для пользователей. Например, если ИИ отклоняет ваше заявление о приеме на работу или не проходит заявка на получение кредита. Нейросимволический ИИ может сделать процесс прозрачным и интерпретируемым инженерами искусственного интеллекта, а также объяснить, почему программа ИИ делает то, что делает.

Сейчас захватывающее время для инженера по искусственному интеллекту. Оставайтесь в авангарде новых разработок в области искусственного интеллекта с независимой от поставщика, привязанной ко времени сертификацией инженеров искусственного интеллекта и возглавьте революцию в искусственном интеллекте, технологии века.