რა არის სიმბოლური ხელოვნური ინტელექტი? ყველაფერი, რაც უნდა იცოდეთ.

როდესაც დღესდღეობით ადამიანები ხელოვნურ ინტელექტზე საუბრობენ, საუბარი თითქმის ყოველთვის გადადის ჩატბოტებზე, რომლებიც უცნაურად ადამიანურად ჟღერს, მასიურ ნეირონულ ქსელებზე, რომლებიც მონაცემებს ამუშავებენ, ან იმ გამოსახულების ამოცნობის სისტემებზე, რომლებიც კატებს უკეთ ამჩნევენ, ვიდრე ზოგიერთ დაღლილ ადამიანს. თუმცა, ამ აჟიოტაჟამდე დიდი ხნით ადრე არსებობდა სიმბოლური ხელოვნური ინტელექტი . და უცნაურია - ის ჯერ კიდევ არსებობს, კვლავ სასარგებლოა. საქმე ძირითადად კომპიუტერებისთვის ადამიანების მსგავსად მსჯელობის სწავლებას ეხება: სიმბოლოების, ლოგიკისა და წესების . ძველმოდური? შესაძლოა. მაგრამ „შავი ყუთის“ ხელოვნური ინტელექტით შეპყრობილ სამყაროში, სიმბოლური ხელოვნური ინტელექტის სიცხადე ერთგვარად გამაგრილებელია [1].

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 რა არის ხელოვნური ინტელექტის ტრენერი?
განმარტავს თანამედროვე ხელოვნური ინტელექტის ტრენერების როლსა და პასუხისმგებლობებს.

🔗 ჩაანაცვლებს თუ არა მონაცემთა მეცნიერება ხელოვნური ინტელექტით?
იკვლევს, საფრთხეს უქმნის თუ არა ხელოვნური ინტელექტის მიღწევები მონაცემთა მეცნიერების კარიერას.

🔗 საიდან იღებს ხელოვნური ინტელექტი ინფორმაციას
აანალიზებს წყაროებს, რომლებსაც ხელოვნური ინტელექტის მოდელები იყენებენ სწავლისა და ადაპტაციისთვის.

სიმბოლური ხელოვნური ინტელექტის საფუძვლები✨

სიცხადეზეა აგებული . შეგიძლიათ ლოგიკას მიჰყვეთ, წესებს ჩაუღრმავდეთ და სიტყვასიტყვით ნახოთ, რატომ თქვა მანქანამ ის, რაც გააკეთა. შეადარეთ ეს ნეირონულ ბადეს, რომელიც უბრალოდ პასუხს გასცემს - ეს ჰგავს მოზარდისთვის „რატომ?“ კითხვის დასმას და მხრების აჩეჩვას. სიმბოლური სისტემები კი პირიქით, იტყვიან: „იმიტომ, რომ A და B გულისხმობს C-ს, შესაბამისად, C-ს“. თვითახსნის ეს უნარი გარდამტეხია მაღალი რისკის მქონე საკითხებში (მედიცინა, ფინანსები, სასამართლოც კი), სადაც ვიღაც ყოველთვის ითხოვს მტკიცებულებებს [5].

პატარა ისტორია: დიდი ბანკის შესაბამისობის გუნდმა სანქციების პოლიტიკა წესების ძრავში დაშიფრა. ისეთი რაღაცეები, როგორიცაა: „თუ წარმოშობის_ქვეყანა ∈ {X} და დაკარგული_მომხმარებლის_ინფორმაცია → ესკალაცია“. შედეგი? ყველა დროშით მონიშნულ შემთხვევას თან ახლდა ადამიანის მიერ წასაკითხი, თვალყურის დევნებადი მსჯელობის ჯაჭვი. აუდიტორებს ძალიან მოეწონათ . ეს არის სიმბოლური ხელოვნური ინტელექტის სუპერძალა - გამჭვირვალე, შემოწმებადი აზროვნება .

სწრაფი შედარების ცხრილი 📊

როგორ მუშაობს სიმბოლური ხელოვნური ინტელექტი (პრაქტიკაში) 🛠️

თავისი არსით, სიმბოლური ხელოვნური ინტელექტი მხოლოდ ორი რამისგან შედგება: სიმბოლოები (კონცეფციები) და წესები (როგორ უკავშირდება ეს კონცეფციები ერთმანეთს). მაგალითი:

• სიმბოლოები: ძაღლი , ცხოველი , კუდი

• წესი: თუ X ძაღლია → X ცხოველია.

აქედან შეგიძლიათ დაიწყოთ ლოგიკური ჯაჭვების აგება - ციფრული LEGO-ს ნაწილების მსგავსად. კლასიკური ექსპერტული სისტემები ფაქტებს სამმაგებადაც (ატრიბუტი-ობიექტი-მნიშვნელობა) და მიზანზე ორიენტირებულ წესების ინტერპრეტატორს შეკითხვების ეტაპობრივად დასამტკიცებლად [1].

სიმბოლური ხელოვნური ინტელექტის რეალური მაგალითები 🌍

1. MYCIN - ინფექციური დაავადებების სამედიცინო ექსპერტული სისტემა. წესებზე დაფუძნებული, ახსნა-განმარტებისთვის მოსახერხებელი [1].

2. DENDRAL - ადრეული ქიმიის ხელოვნური ინტელექტი, რომელმაც მოლეკულური სტრუქტურები სპექტრომეტრიული მონაცემებიდან გამოიცა [2].

3. Google Knowledge Graph - ერთეულების (ადამიანები, ადგილები, საგნები) + მათი ურთიერთობების შედარება „საგნების და არა სტრიქონების“ მოთხოვნებზე პასუხის გასაცემად [3].

4. წესებზე დაფუძნებული ბოტები - სკრიპტირებული ნაკადები მომხმარებელთა მხარდაჭერისთვის; მყარი თანმიმდევრულობის მხრივ, სუსტი ღია ჩატისთვის.

რატომ დაბრკოლდა (მაგრამ არ მომკვდარა) სიმბოლური ხელოვნური ინტელექტი 📉➡️📈

სწორედ აქ ებრძვის სიმბოლური ხელოვნური ინტელექტი: არეულ, არასრულ და წინააღმდეგობრივ რეალურ სამყაროში. უზარმაზარი წესების ბაზის შენარჩუნება დამღლელია და მყიფე წესები შეიძლება გაბერილი იყოს მანამ, სანამ არ დაირღვება.

მიუხედავად ამისა - ის სრულად არასდროს გამქრალა. შემოგვთავაზეთ ნეიროსიმბოლური ხელოვნური ინტელექტი : შეურიეთ ნეირონული ბადეები (კარგად აღიქვამენ) სიმბოლურ ლოგიკას (კარგად მსჯელობენ). წარმოიდგინეთ ეს, როგორც ესტაფეტა: ნეირონული ნაწილი ამჩნევს გაჩერების ნიშანს, შემდეგ კი სიმბოლური ნაწილი არკვევს, თუ რას ნიშნავს ეს საგზაო მოძრაობის წესების მიხედვით. ეს კომბინაცია გვპირდება სისტემებს, რომლებიც უფრო ჭკვიანები და ახსნილები [4][5].

სიმბოლური ხელოვნური ინტელექტის ძლიერი მხარეები 💡

• გამჭვირვალე ლოგიკა : შეგიძლიათ თვალყური ადევნოთ ყველა ნაბიჯს [1][5].

• რეგულაციებისთვის მოსახერხებელი : მკაფიოდ შეესაბამება პოლიტიკასა და სამართლებრივ წესებს [5].

• მოდულური მოვლა : შეგიძლიათ შეცვალოთ ერთი წესი მთელი მონსტრის მოდელის გადამზადების გარეშე [1].

სიმბოლური ხელოვნური ინტელექტის სისუსტეები ⚠️

• აღქმა საშინელია : სურათები, აუდიო, არეული ტექსტი - აქ ნეირონული ქსელები დომინირებს.

• მასშტაბირების სირთულეები : ექსპერტის წესების ამოღება და განახლება საკმაოდ შრომატევადია [2].

• სიხისტე : წესები თავისი ზონის გარეთ ირღვევა; გაურკვევლობის დაფიქსირება რთულია (თუმცა ზოგიერთმა სისტემამ ნაწილობრივი შესწორებები გატეხა) [1].

სიმბოლური ხელოვნური ინტელექტის წინსვლის გზა 🚀

მომავალი, ალბათ, არ არის წმინდა სიმბოლური ან წმინდა ნეირონული. ის ჰიბრიდულია. წარმოიდგინეთ:

1. ნეირონული → ამოიცნობს ნიმუშებს ნედლი პიქსელებიდან/ტექსტიდან/აუდიოდან.

2. ნეიროსიმბოლური → ნიმუშებს სტრუქტურირებულ ცნებებად გარდაქმნის.

3. სიმბოლური → იყენებს წესებს, შეზღუდვებს და შემდეგ - რაც მთავარია - განმარტავს .

ეს არის ციკლი, სადაც მანქანები იწყებენ ადამიანის აზროვნებასთან მსგავსებას: იხილეთ, სტრუქტურირება, გამართლება [4][5].

დასასრული 📝

ასე რომ, სიმბოლური ხელოვნური ინტელექტი: ის ლოგიკაზე დაფუძნებულია, წესებზე დაფუძნებული და ახსნა-განმარტებისთვის მზადაა. არა თვალშისაცემი, მაგრამ ის ახერხებს ისეთი რამის ამოხსნას, რასაც ღრმა ქსელები ჯერ კიდევ ვერ ახერხებენ: მკაფიო, აუდიტად დასმული მსჯელობა . ჭკვიანური ფსონი? სისტემები, რომლებიც ორივე ბანაკიდან იღებენ - ნეირონულ ქსელებს აღქმისა და მასშტაბისთვის, სიმბოლურს მსჯელობისა და ნდობისთვის [4][5].

მეტა აღწერა: სიმბოლური ხელოვნური ინტელექტის ახსნა - წესებზე დაფუძნებული სისტემები, ძლიერი/სუსტი მხარეები და რატომ არის ნეიროსიმბოლური (ლოგიკა + მანქანური სწავლება) წინსვლის გზა.

ჰეშთეგები:
#ხელოვნურიინტელექტი 🤖 #სიმბოლურიხელოვნურიინტელექტი 🧩 #მანქანურისწავლება #ნეიროსიმბოლურიხელოვნურიინტელექტი ⚡ #ტექნოლოგიურიახსნა #ცოდნისწარმოდგენა #ხელოვნურიინტელექტისშეხედულებები #ხელოვნურიინტელექტისმომავალი

ცნობები

[1] ბიუკენენი, ბ.გ. და შორტლიფი, ე.ჰ. წესებზე დაფუძნებული ექსპერტული სისტემები: სტენფორდის ევრისტიკული პროგრამირების პროექტის MYCIN ექსპერიმენტები , თავი 15. PDF

[2] ლინდსი, რ.კ., ბიუკენენი, ბ.გ., ფეიგენბაუმი, ე.ა. და ლედერბერგი, ჯ. „დენდრალი: სამეცნიერო ჰიპოთეზების ფორმირების პირველი ექსპერტული სისტემის შემთხვევის შესწავლა“. ხელოვნური ინტელექტი 61 (1993): 209–261. PDF

[3] Google. „ცოდნის გრაფიკის გაცნობა: საგნები და არა სტრიქონები“. Google-ის ოფიციალური ბლოგი (2012 წლის 16 მაისი). ბმული

[4] მონრო, დ. „ნეიროსიმბოლური ხელოვნური ინტელექტი“. ACM-ის კომუნიკაციები (2022 წლის ოქტომბერი). DOI

[5] საჰოჰი, ბ. და სხვ. „ახსნადი ხელოვნური ინტელექტის როლი მაღალი რისკის მქონე გადაწყვეტილების მიღებაში: მიმოხილვა“. Patterns (2023). PubMed Central. ბმული