Mūsdienās, kad cilvēki runā par mākslīgo intelektu (MI), saruna gandrīz vienmēr pāriet uz tērzēšanas robotiem, kas izklausās dīvaini cilvēciski, milzīgiem neironu tīkliem, kas apstrādā datus, vai attēlu atpazīšanas sistēmām, kas atpazīst kaķus labāk nekā daži noguruši cilvēki. Taču ilgi pirms šīs ažiotāžas pastāvēja simboliskais MI . Un, lai cik dīvaini tas nebūtu, tas joprojām ir šeit, joprojām noderīgs. Tā būtībā ir par datoru mācīšanu spriest tāpat kā cilvēki: izmantojot simbolus, loģiku un noteikumus . Vecmodīgi? Varbūt. Taču pasaulē, kas ir apsēsta ar "melnās kastes" MI, simboliskā MI skaidrība šķiet diezgan atsvaidzinoša [1].
Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:
🔗 Kas ir mākslīgā intelekta treneris
Izskaidro mūsdienu mākslīgā intelekta treneru lomu un pienākumus.
🔗 Vai datu zinātni aizstās mākslīgais intelekts?
Pēta, vai mākslīgā intelekta sasniegumi apdraud karjeras iespējas datu zinātnē.
🔗 No kurienes mākslīgais intelekts iegūst informāciju
Sadala avotus, ko mākslīgā intelekta modeļi izmanto mācībām un pielāgošanai.
Simboliskā mākslīgā intelekta pamati✨
Lūk, lieta: simboliskā mākslīgā intelekta pamatā ir skaidrība . Jūs varat izsekot loģikai, bakstīt noteikumus un burtiski saprast, kāpēc mašīna teica to, ko tā teica. Salīdziniet to ar neironu tīklu, kas vienkārši izspiež atbildi — tas ir līdzīgi kā pajautāt pusaudzim “kāpēc?” un saņemt plecu paraustīšanu. Turpretī simboliskās sistēmas teiks: “Tā kā A un B nozīmē C, tāpēc C.” Šī spēja sevi izskaidrot maina spēles noteikumus tādās jomās kā medicīna, finanses, pat tiesas zāle, kur kāds vienmēr prasa pierādījumus [5].
Neliels stāsts: lielas bankas atbilstības komanda iekodēja sankciju politiku noteikumu sistēmā. Tādas lietas kā: “ja izcelsmes_valsts ∈ {X} un trūkstošā_saņēmēja_informācija → nonākt pie eskalācijas.” Rezultāts? Katram atzīmētajam gadījumam bija izsekojama, cilvēkam lasāma spriešanas ķēde. Revidentiem ļoti patika . Tā ir Symbolic AI superspēja – caurspīdīga, pārbaudāma domāšana .
Ātrās salīdzināšanas tabula 📊
| Rīks/pieeja | Kas to izmanto | Izmaksu diapazons | Kāpēc tas darbojas (vai nedarbojas) |
|---|---|---|---|
| Ekspertu sistēmas 🧠 | Ārsti, inženieri | Dārga uzstādīšana | Ļoti skaidra, uz noteikumiem balstīta spriešana, bet trausla [1] |
| Zināšanu grafiki 🌐 | Meklētājprogrammas, dati | Jauktas izmaksas | Savieno entītijas + relācijas mērogā [3] |
| Uz noteikumiem balstīti tērzēšanas roboti 💬 | Klientu apkalpošana | Zems–vidējs | Ātri uzbūvējams; bet nianses? ne tik daudz |
| Neiro-simboliskā mākslīgā intelekta ⚡ | Pētnieki, jaunuzņēmumi | Augsts priekšējais | Loģika + mašīnmācīšanās = izskaidrojama modelēšana [4] |
Kā darbojas simboliskā mākslīgā intelekta (praksē) 🛠️
Simboliskā mākslīgā intelekta pamatā ir tikai divas lietas: simboli (jēdzieni) un noteikumi (kā šie jēdzieni savienojas). Piemērs:
-
Simboli:
Suns,Dzīvnieks,Aste -
Noteikums: Ja X ir suns → X ir dzīvnieks.
No šejienes jūs varat sākt veidot loģikas ķēdes — kā digitālas LEGO detaļas. Klasiskās ekspertu sistēmas pat glabāja faktus tripletos ( atribūts–objekts–vērtība) un izmantoja mērķtiecīgu noteikumu interpretatoru, lai soli pa solim pierādītu vaicājumus [1].
Simboliskā mākslīgā intelekta piemēri no reālās dzīves 🌍
-
MYCIN — infekcijas slimību medicīnas ekspertu sistēma. Uz noteikumiem balstīta, viegli skaidrojama [1].
-
DENDRAL — agrīnās ķīmijas mākslīgais intelekts, kas uzminēja molekulārās struktūras no spektrometrijas datiem [2].
-
Google zināšanu grafiks — vienību (cilvēku, vietu, lietu) un to attiecību kartēšana, lai atbildētu uz vaicājumiem “lietas, nevis virknes” [3].
-
Uz noteikumiem balstīti roboti — skriptētas plūsmas klientu atbalstam; stabila konsekvencei, vāja atklātai tērzēšanai.
Kāpēc simboliskā mākslīgā intelekta tehnoloģija paklupa (bet nenomira) 📉➡️📈
Lūk, kur simboliskā mākslīgā intelekta problēma slēpjas: haotiskajā, nepilnīgajā, pretrunīgajā reālajā pasaulē. Milzīgas noteikumu bāzes uzturēšana ir nogurdinoša, un trausli noteikumi var kļūt nepilnīgi, līdz tie sabrūk.
Tomēr — tas nekad pilnībā nepazuda. Iepazīstieties ar neirosimbolisko mākslīgo intelektu : apvienojiet neironu tīklus (labi uztverē) ar simbolisko loģiku (labi spriešanā). Iedomājieties to kā stafetes komandu: neirālā daļa pamana STOP zīmi, tad simboliskā daļa izdomā, ko tā nozīmē saskaņā ar ceļu satiksmes noteikumiem. Šī kombinācija sola sistēmas, kas ir gudrākas un izskaidrojamākas [4][5].
Simboliskā mākslīgā intelekta stiprās puses 💡
-
Caurspīdīga loģika : var sekot katram solim [1][5].
-
Regulējumam draudzīgs : skaidri atbilst politikas nostādnēm un tiesību aktiem [5].
-
Modulāra uzturēšana : jūs varat pielāgot vienu noteikumu, nepārkvalificējot visu monstru modeli [1].
Simboliskā mākslīgā intelekta vājās puses ⚠️
-
Briesmīgi uztverē : attēli, audio, haotisks teksts — šeit dominē neironu tīkli.
-
Mērogošanas grūtības : ekspertu noteikumu iegūšana un atjaunināšana ir nogurdinoša [2].
-
Stingrība : noteikumi pārkāpj noteikumus ārpus to zonas; nenoteiktību ir grūti aptvert (lai gan dažas sistēmas ir izveidojušas daļējus labojumus) [1].
Simboliskā mākslīgā intelekta nākotnes ceļš 🚀
Nākotne, iespējams, nav tīri simboliska vai tīri neironu sistēma. Tā ir hibrīda. Iedomājieties:
-
Neironu → izvelk modeļus no neapstrādātiem pikseļiem/teksta/audio.
-
Neiro-simbolisks → paceļ modeļus strukturētos jēdzienos.
-
Simbolisks → piemēro noteikumus, ierobežojumus un pēc tam — kas ir svarīgi — izskaidro .
Tā ir cilpa, kurā mašīnas sāk līdzināties cilvēka spriešanas mehānikai: redzēt, strukturēt, pamatot [4][5].
Noslēgumā 📝
Tātad, simboliskais mākslīgais intelekts: tas ir loģikas vadīts, uz noteikumiem balstīts, gatavs skaidrojumiem. Nav uzkrītošs, bet tas trāpa atklāsmē kaut ko tādu, ko dziļi tīkli joprojām nespēj: skaidru, auditējamu spriešanas spēju . Gudra izvēle? Sistēmas, kas aizņemas no abām nometnēm – neironu tīkliem uztverei un mērogam, simboliskam spriešanas spējai un uzticēšanās spējai [4][5].
Meta apraksts: Simboliskā mākslīgā intelekta skaidrojums — uz noteikumiem balstītas sistēmas, stiprās/vājās puses un kāpēc neirosimboliskā (loģika + mašīnmācīšanās) pieeja ir pareizais ceļš.
Mirķlštegi:
#MākslīgaisIntelekts 🤖 #SimboliskaisAI 🧩 #Mašīnmācīšanās #NeiroSimboliskaisAI ⚡ #TehnoloģijuIzskaidrojums #ZināšanuPārstāvniecība #AIAtziņas #AINākotne
Atsauces
[1] Buchanan, BG un Shortliffe, EH noteikumu balstītas ekspertu sistēmas: Stenfordas heiristiskās programmēšanas projekta MYCIN eksperimenti , 15. nodaļa. PDF
[2] Lindsay, RK, Buchanan, BG, Feigenbaum, EA un Lederberg, J. “DENDRAL: pirmās ekspertu sistēmas zinātnisko hipotēžu formulēšanai gadījuma izpēte.” Artificial Intelligence 61 (1993): 209–261. PDF
[3] Google. “Iepazīstinām ar zināšanu grafiku: lietas, nevis virknes.” Oficiālais Google emuārs (2012. gada 16. maijs). Saite
[4] Monro, D. “Neirosimboliskais mākslīgais intelekts.” ACM paziņojumi (2022. gada oktobris). DOI
[5] Sahoh, B., et al. “Izskaidrojamā mākslīgā intelekta loma svarīgu lēmumu pieņemšanā: apskats.” Patterns (2023). PubMed Central. Saite