Нейросимволический ИИ — это тип искусственного интеллекта, который сочетает в себе сильные стороны двух разных подходов к ИИ: символического ИИ и коннекционистского ИИ (также известного как нейронные сети).
Символический ИИ включает представление знаний в логической, символической форме и использование систем, основанных на правилах, для манипулирования ими и получения новых знаний. Этот подход хорош для обработки абстрактных понятий и логических рассуждений, но он может быть хрупким и негибким, поскольку опирается на заранее определенные правила.
Коннекционистский ИИ, с другой стороны, включает в себя создание сетей простых процессорных единиц (искусственных нейронов), которые могут научиться выполнять задачи, регулируя силу связей между ними (веса). Этот подход хорош для изучения закономерностей в данных, но он может не справиться с задачами, требующими абстрактных рассуждений высокого уровня или сложных символьных манипуляций.
Нейросимволический ИИ стремится объединить сильные стороны обоих подходов, используя нейронные сети для обработки низкоуровневого распознавания образов и символических рассуждений для обработки абстрактных рассуждений высокого уровня. Этот гибридный подход может быть более мощным и гибким, чем любой из подходов по отдельности, и он применялся к множеству задач, включая обработку естественного языка, распознавание изображений и рассуждения о физических системах.
Как это работает (пример)
Наша цель — создать ИИ, который может рассуждать об объектах на картинке (например, сколько здесь зеленых кубиков?).
- Для этого мы обучаем типичную сеть CNN обнаруживать объекты на изображении и их детали (например, CNN предсказывает маленький резиновый фиолетовый цилиндр в положении [0,75, 1,31, 0,35].
- Затем мы передаем эту информацию в базу данных, которая будет использоваться символическим ИИ для выполнения логических задач, например. металлических предметов больше, чем резиновых?
- Сеть LSTM используется для анализа входных вопросов в команды SQL для базы данных.
Например, получив команду: «какой самый левый объект», lstm преобразует это во что-то вроде «ВЫБЕРИТЕ ID, ГДЕ x — минимум» (псевдокод). И ID с наименьшим значением x возвращается как правильный ответ
Вот что происходит на изображении выше:
Упрощенный пример:
В этом примере CNN анализирует сцену из двух объектов в таблицу. LSTM используется для анализа вопроса символического ИИ, который затем возвращает ответ:
Преимущества нейросимволического ИИ:
- Гибкость. Нейросимволические системы ИИ могут переключаться между различными стратегиями рассуждений в зависимости от поставленной задачи, что позволяет им быть более гибкими и адаптируемыми, чем системы, использующие один тип рассуждений.
- Надежность. Нейросимволические системы ИИ могут справляться с широким кругом задач и могут продолжать функционировать даже в случае отказа некоторых их компонентов, поскольку они могут использовать различные стратегии для компенсации сбоя.
- Интерпретируемость. Символическое рассуждение может дать ясное, удобочитаемое объяснение решений, принимаемых нейросимволической системой ИИ, что может быть полезно в таких областях, как здравоохранение или финансы, где важна объяснимость.
- Обобщение. Нейросимволические системы ИИ могут научиться обобщать на небольшом количестве примеров и справляться с новыми ситуациями, с которыми они раньше не сталкивались, благодаря своей способности рассуждать абстрактно.
- Эффективность. Нейросимволические системы ИИ могут выполнять задачи быстро и эффективно, поскольку они могут использовать символьные рассуждения, чтобы сократить пространство поиска и сосредоточиться на наиболее релевантной информации.