Кога луѓето денес зборуваат за вештачка интелигенција, разговорот речиси секогаш се префрла на чет-ботови кои звучат чудно човечки, масивни невронски мрежи кои обработуваат податоци или оние системи за препознавање слики кои ги препознаваат мачките подобро отколку што би можеле некои уморни луѓе. Но, долго пред таа возбуда, постоеше Симболичната вештачка интелигенција . И чудно - таа сè уште е тука, сè уште корисна. Во основа станува збор за учење на компјутерите да размислуваат како што прават луѓето: користејќи симболи, логика и правила . Старомодна? Можеби. Но, во свет опседнат со вештачка интелигенција од „црна кутија“, јасноста на Симболичната вештачка интелигенција е малку освежителна [1].
Статии што можеби ќе ве интересираат по оваа:
🔗 Што е тренер за вештачка интелигенција
Ги објаснува улогата и одговорностите на современите тренери за вештачка интелигенција.
🔗 Дали науката за податоци ќе биде заменета со вештачка интелигенција
Истражува дали напредокот во вештачката интелигенција ги загрозува кариерите во науката за податоци.
🔗 Од каде вештачката интелигенција ги добива своите информации
Ги анализира изворите што моделите на вештачка интелигенција ги користат за учење и прилагодување.
Симболични основи на вештачката интелигенција✨
Еве ја работата: Симболичната вештачка интелигенција е изградена врз јасност . Можете да ја проследите логиката, да ги истражите правилата и буквално да видите зошто машината го кажала она што го направила. Споредете го тоа со невронска мрежа која само дава одговор - тоа е како да прашате тинејџер „зошто?“ и да добиете кревање раменици. Симболичните системи, пак, ќе речат: „Бидејќи А и Б подразбираат В, затоа В“. Таа способност да се објасни себеси е пресвртница за работи со висок ризик (медицина, финансии, дури и судница) каде што некој секогаш бара докази [5].
Мала приказна: тим за усогласеност во голема банка ги кодираше политиките за санкции во мотор за правила. Работи како: „доколку земјата_на_потеклото ∈ {X} и информациите_за_корисникот_се_исцелат“. Резултатот? Секој означен случај доаѓаше со проследлив, човечки читлив синџир на размислување. На ревизорите се допадна . Тоа е супермоќта на Symbolic AI - транспарентно, инспекциско размислување .
Брза споредбена табела 📊
| Алатка / Пристап | Кој го користи | Опсег на трошоци | Зошто функционира (или не) |
|---|---|---|---|
| Експертски системи 🧠 | Лекари, инженери | Скапо поставување | Супер јасно расудување базирано на правила, но кршливо [1] |
| Графикони на знаење 🌐 | Пребарувачи, податоци | Мешана цена | Поврзува ентитети + релации во размер [3] |
| Четботови базирани на правила 💬 | Служба за корисници | Ниско-средно | Брзо се гради; но нијанса? не баш многу |
| Невро-симболична вештачка интелигенција ⚡ | Истражувачи, стартапи | Високо однапред | Логика + ML = објаснувачко шаблонирање [4] |
Како функционира симболичната вештачка интелигенција (во пракса) 🛠️
Во својата суштина, симболичната вештачка интелигенција е само две работи: симболи (концепти) и правила (како тие концепти се поврзуваат). Пример:
-
Симболи:
Куче,Животно,Има Опашка -
Правило: Ако X е куче → X е животно.
Оттука, можете да започнете со градење логички ланци - како дигитални LEGO парчиња. Класичните експертски системи дури и складирале факти во тројки (атрибут-објект-вредност) и користеле толкувач на правила насочен кон целта за да ги докажат барањата чекор по чекор [1].
Примери од реалниот живот за симболична вештачка интелигенција 🌍
-
MYCIN - медицински експертски систем за заразни болести. Базиран на правила, лесен за објаснување [1].
-
DENDRAL - вештачка интелигенција од рана хемија која ги погодуваше молекуларните структури од спектрометриски податоци [2].
-
Google Knowledge Graph - мапирање на ентитети (луѓе, места, предмети) + нивните релации за да се одговорат прашањата „предмети, а не низи“ [3].
-
Ботови базирани на правила - скриптирани текови за поддршка на корисници; солидни за конзистентност, слаби за отворен разговор.
Зошто симболичната вештачка интелигенција се сопна (но не умре) 📉➡️📈
Еве каде се заплеткува симболичната вештачка интелигенција: во хаотичниот, нецелосен, контрадикторен реален свет. Одржувањето огромна база на правила е исцрпувачко, а кршливите правила можат да растат сè додека не се прекршат.
Сепак - никогаш целосно не исчезна. Влезете во невро-симболичната вештачка интелигенција : измешајте невронски мрежи (добри во перцепција) со симболична логика (добри во расудување). Замислете го како тим за штафета: невронскиот дел забележува знак за стоп, а потоа симболичниот дел открива што тоа значи според сообраќајните закони. Таа комбинација ветува системи кои се попаметни и лесно објаснети [4][5].
Предности на симболичната вештачка интелигенција 💡
-
Транспарентна логика : можете да го следите секој чекор [1][5].
-
Прилагодливо кон регулативите : јасно се совпаѓа со политиките и законските правила [5].
-
Модуларно одржување : можете да измените едно правило без повторно да го обучите целиот модел на чудовиште [1].
Слабости на симболичната вештачка интелигенција ⚠️
-
Ужасно во перцепцијата : слики, аудио, неуреден текст - овде доминираат невронски мрежи.
-
Маки при скалирање : извлекувањето и ажурирањето на експертските правила е досадно [2].
-
Ригидност : правилата се кршат надвор од нивната зона; неизвесноста е тешко да се долови (иако некои системи хакираа делумни поправки) [1].
Патот напред за симболична вештачка интелигенција 🚀
Иднината веројатно не е чисто симболична или чисто невронска. Таа е хибридна. Замислете:
-
Неврален → извлекува шеми од сурови пиксели/текст/аудио.
-
Невро-симболично → ги претвора шемите во структурирани концепти.
-
Симболично → применува правила, ограничувања, а потоа - што е важно - објаснува .
Тоа е јамката каде што машините почнуваат да личат на човечкото расудување: видете, структурирајте, оправдајте [4][5].
Заклучок 📝
Значи, симболична вештачка интелигенција: таа е водена од логика, базирана на правила, подготвена за објаснувања. Не е впечатлива, но погодува нешто што длабоките мрежи сè уште не можат: јасно, ревидирано расудување . Паметниот облог? Системи што позајмуваат од двата табора - невронски мрежи за перцепција и скалирање, симболични за расудување и доверба [4][5].
Мета опис: Објаснување на симболичната вештачка интелигенција - системи базирани на правила, силни/слаби страни и зошто невро-симболиката (логика + ML) е патот напред.
Хаштагови:
#ВештачкаИнтелигенција 🤖 #СимболичнаВЕ 🧩 #МашинскоУчење #НевроСимболичнаВЕ ⚡ #ТехнолошкиОбјаснетОдговор #ПретставувањеНаЗнаење #ВЕУУвиди #ИднинаНаВЕ
Референци
[1] Бјукенен, БГ и Шортлиф, ЕХ Експертски системи базирани на правила: Експериментите на MYCIN на проектот за евристичко програмирање на Стенфорд , поглавје 15. PDF
[2] Линдзи, РК, Бјукенен, БГ, Фајгенбаум, ЕА и Ледерберг, Ј. „ДЕНДРАЛ: студија на случај на првиот експертски систем за формирање научна хипотеза“. Вештачка интелигенција 61 (1993): 209–261. PDF
[3] Google. „Вовед во Графиконот на знаење: работи, а не низи.“ Официјален блог на Google (16 мај 2012 година). Линк
[4] Монро, Д. „Невросимболична вештачка интелигенција“. Комуникации на ACM (октомври 2022). DOI
[5] Сахох, Б., и др. „Улогата на објаснетата вештачка интелигенција во донесувањето одлуки со висок ризик: преглед.“ Patterns (2023). PubMed Central. Линк