Šiais laikais, kai žmonės kalba apie dirbtinį intelektą, pokalbis beveik visada nukrypsta prie keistai žmogiškai skambančių pokalbių robotų, didžiulių neuroninių tinklų, apdorojančių duomenis, arba tų vaizdų atpažinimo sistemų, kurios atpažįsta kates geriau nei kai kurie pavargę žmonės. Tačiau gerokai prieš tą ažiotažą egzistavo simbolinis dirbtinis intelektas . Ir, kaip bebūtų keista, jis vis dar čia, vis dar naudingas. Iš esmės tai yra kompiuterių mokymas samprotauti taip, kaip žmonės: naudojant simbolius, logiką ir taisykles . Senamadiška? Galbūt. Tačiau pasaulyje, apsėstame „juodųjų dėžių“ dirbtinio intelekto, simbolinio dirbtinio intelekto aiškumas atrodo gana gaivus [1].
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Kas yra dirbtinio intelekto treneris
Paaiškina šiuolaikinių dirbtinio intelekto instruktorių vaidmenį ir atsakomybę.
🔗 Ar duomenų mokslą pakeis dirbtinis intelektas?
Nagrinėjama, ar dirbtinio intelekto pažanga kelia grėsmę duomenų mokslo karjerai.
🔗 Iš kur DI gauna informaciją
Išskaido šaltinius, kuriuos dirbtinio intelekto modeliai naudoja mokymuisi ir prisitaikymui.
Simbolinio dirbtinio intelekto pagrindai✨
Štai esmė: simbolinis dirbtinis intelektas paremtas aiškumu . Galima atsekti logiką, žvilgtelėti į taisykles ir tiesiogine prasme suprasti, kodėl mašina pasakė tai, ką pasakė. Palyginkite tai su neuroniniu tinklu, kuris tiesiog išmeta atsakymą – tai tas pats, kas paklausti paauglio „kodėl?“ ir gauti pečių gūžtelėjimą. Simbolinės sistemos, priešingai, atsakys: „Kadangi A ir B reiškia C, vadinasi, C.“ Šis gebėjimas paaiškinti save keičia žaidimo taisykles didelės rizikos srityse (medicinoje, finansuose, net teisme), kur kažkas visada prašo įrodymų [5].
Maža istorija: didelio banko atitikties komanda užkodavo sankcijų politiką taisyklių sistemoje. Tokie dalykai kaip: „jei kilmės_šalis ∈ {X} ir trūkstama_gavėjo_informacija → perduodama eskaluoti“. Rezultatas? Kiekvienas pažymėtas atvejis turėjo atsekamą, žmogaus skaitomą samprotavimo grandinę. Auditoriams labai patiko . Tai yra „Symbolic AI“ supergalia – skaidrus, patikrinamas mąstymas .
Greita palyginimo lentelė 📊
| Įrankis / metodas | Kas jį naudoja | Kainų diapazonas | Kodėl tai veikia (arba ne) |
|---|---|---|---|
| Ekspertų sistemos 🧠 | Gydytojai, inžinieriai | Brangus įrengimas | Labai aiškus, taisyklėmis pagrįstas samprotavimas, bet trapus [1] |
| Žinių grafikai 🌐 | Paieškos sistemos, duomenys | Mišrios išlaidos | Sujungia objektus ir ryšius tam tikru mastu [3] |
| Taisyklėmis pagrįsti pokalbių robotai 💬 | Klientų aptarnavimas | Žemas–vidutinis | Greita surinkti, bet niuansai? Ne tokie svarbūs |
| Neuro-simbolinis DI ⚡ | Tyrėjai, startuoliai | Aukštas iš anksto | Logika + ML = paaiškinamas modeliavimas [4] |
Kaip veikia simbolinis dirbtinis intelektas (praktikoje) 🛠️
Iš esmės simbolinis dirbtinis intelektas yra tik du dalykai: simboliai (sąvokos) ir taisyklės (kaip tos sąvokos jungiasi). Pavyzdys:
-
Simboliai:
šuo,gyvūnas,turi uodegą -
Taisyklė: jei X yra šuo → X yra gyvūnas.
Nuo čia galite pradėti kurti logikos grandines – tarsi skaitmenines LEGO kaladėles. Klasikinės ekspertų sistemos netgi saugojo faktus trejetais ( atributas–objektas–reikšmė) ir naudojo tikslingą taisyklių interpretatorių, kad žingsnis po žingsnio įrodytų užklausas [1].
Simbolinio dirbtinio intelekto realaus gyvenimo pavyzdžiai 🌍
-
MYCIN – infekcinių ligų medicinos ekspertų sistema. Pagrįsta taisyklėmis, lengvai paaiškinama [1].
-
DENDRAL – ankstyvosios chemijos dirbtinis intelektas, kuris spėliodavo molekulių struktūras pagal spektrometrijos duomenis [2].
-
„Google Knowledge Graph“ – objektų (žmonių, vietų, daiktų) ir jų ryšių kartografavimas, siekiant atsakyti į „daiktų, o ne eilučių“ užklausas [3].
-
Taisyklėmis pagrįsti robotai – scenarijuoti srautai klientų aptarnavimui; patikimi nuoseklumui, silpni atviram pokalbiui.
Kodėl simbolinis dirbtinis intelektas suklupo (bet nenumirė) 📉➡️📈
Štai kur simbolinis dirbtinis intelektas užklumpa: netvarkingas, nepilnas, prieštaringas realus pasaulis. Išlaikyti didžiulę taisyklių bazę yra varginantis darbas, o trapios taisyklės gali išaugti iki nebegalios.
Vis dėlto – jis niekada iki galo neišnyko. Štai neurosimbolinis dirbtinis intelektas : sumaišykite neuroninius tinklus (gerus suvokime) su simboline logika (gerai samprotaujame). Įsivaizduokite tai kaip estafetės komandą: neuroninė dalis pastebi STOP ženklą, tada simbolinė dalis išsiaiškina, ką tai reiškia pagal kelių eismo taisykles. Toks derinys žada sistemas, kurios yra protingesnės ir lengviau paaiškinamos [4][5].
Simbolinio dirbtinio intelekto stipriosios pusės 💡
-
Skaidri logika : galite sekti kiekvieną žingsnį [1][5].
-
Pritaikytas reguliavimui : aiškiai atitinka politiką ir teisines taisykles [5].
-
Modulinis palaikymas : galite pakoreguoti vieną taisyklę nepermokydami viso monstro modelio [1].
Simbolinio dirbtinio intelekto silpnybės ⚠️
-
Siaubingas suvokimas : vaizdai, garsas, netvarkingas tekstas – čia dominuoja neuroniniai tinklai.
-
Mastelio keitimo sunkumai : ekspertų taisyklių išgavimas ir atnaujinimas yra varginantis darbas [2].
-
Nelankstumas : taisyklės pažeidžiamos už savo zonos ribų; neapibrėžtumą sunku užfiksuoti (nors kai kurios sistemos iš dalies pataisė) [1].
Kelias į priekį simboliniam dirbtiniam intelektui 🚀
Ateitis tikriausiai nėra grynai simbolinė ar grynai neuroninė. Ji hibridinė. Įsivaizduokite:
-
Neuroninis → išskiria modelius iš neapdorotų pikselių / teksto / garso.
-
Neurosimbolinis → paverčia modelius struktūrizuotomis sąvokomis.
-
Simbolinis → taiko taisykles, apribojimus ir tada – svarbiausia – paaiškina .
Tai yra ciklas, kuriame mašinos pradeda panašėti į žmogaus samprotavimus: matote, struktūrizuojate, pagrindžiate [4][5].
Užbaigimas 📝
Taigi, simbolinis dirbtinis intelektas: jis pagrįstas logika, taisyklėmis, paruoštas paaiškinimams. Jis nėra prašmatnus, bet pasiekia tai, ko gilūs tinklai vis dar negali: aiškų, audituojamą samprotavimą . Ar tai protingas sprendimas? Sistemos, kurios semiasi įkvėpimo iš abiejų stovyklų – neuroninių tinklų suvokimui ir mastui, simbolinių – samprotavimui ir pasitikėjimui [4][5].
Meta aprašymas: Simbolinio dirbtinio intelekto paaiškinimas – taisyklėmis pagrįstos sistemos, stipriosios / silpnosios pusės ir kodėl neurosimbolika (logika + mašininis mokymasis) yra tinkamas kelias į priekį.
Grotažymės:
#DirbtinisIntelektas 🤖 #SimbolinisDI 🧩 #MašininisMokymasis #NeuroSimbolinisDI ⚡ #TechnologijųPaaiškinimas #ŽiniųReprezentacija #DIĮžvalgos #DIAteitis
Nuorodos
[1] Buchanan, BG ir Shortliffe, EH taisyklėmis pagrįstos ekspertinės sistemos: Stanfordo euristinio programavimo projekto MYCIN eksperimentai , 15 skyrius. PDF
[2] Lindsay, RK, Buchanan, BG, Feigenbaum, EA ir Lederberg, J. „DENDRAL: pirmosios ekspertų sistemos mokslinei hipotezei formuoti atvejo analizė“. Artificial Intelligence 61 (1993): 209–261. PDF
[3] „Google“. „Pristatome žinių grafą: daiktai, o ne eilutės“. Oficialus „Google“ tinklaraštis (2012 m. gegužės 16 d.). Nuoroda
[4] Monroe, D. „Neurosimbolinis dirbtinis intelektas“. ACM pranešimai (2022 m. spalis). DOI
[5] Sahoh, B. ir kt. „Paaiškinamo dirbtinio intelekto vaidmuo priimant svarbius sprendimus: apžvalga“. Patterns (2023). PubMed Central. Nuoroda