Када људи данас причају о вештачкој интелигенцији, разговор скоро увек прелази на четботове који звуче застрашујуће људски, масивне неуронске мреже које обрађују податке или оне системе за препознавање слика који боље уочавају мачке него што би то могли неки уморни људи. Али много пре те популарности, постојала је симболичка вештачка интелигенција . И чудно је - још увек је ту, још увек је корисна. У основи се ради о подучавању рачунара да размишљају као људи: користећи симболе, логику и правила . Старомодно? Можда. Али у свету опседнутом вештачком интелигенцијом „црне кутије“, јасноћа симболичке вештачке интелигенције делује помало освежавајуће [1].
Чланци које бисте можда желели да прочитате након овог:
🔗 Шта је тренер за вештачку интелигенцију
Објашњава улогу и одговорности модерних тренера вештачке интелигенције.
🔗 Хоће ли науку о подацима заменити вештачка интелигенција
Истражује да ли напредак вештачке интелигенције угрожава каријере у науци о подацима.
🔗 Одакле вештачка интелигенција добија своје информације
Рашчлањује изворе које модели вештачке интелигенције користе за учење и прилагођавање.
Основе симболичке вештачке интелигенције✨
Ево у чему је ствар: Симболичка вештачка интелигенција је заснована на јасноћи . Можете пратити логику, испитати правила и буквално видети зашто је машина рекла оно што је рекла. Упоредите то са неуронском мрежом која само избацује одговор - то је као да питате тинејџера „зашто?“ и добијете само слегање раменима. Симболички системи ће, насупрот томе, рећи: „Зато што А и Б имплицирају Ц, дакле Ц.“ Та способност објашњења самог себе мења правила игре за ствари са високим улогом (медицина, финансије, чак и судница) где неко увек тражи доказ [5].
Мала прича: тим за усклађеност у великој банци је кодирао политике санкција у механизам за правила. Ствари попут: „ако земља_порекла ∈ {X} и недостају_информације_примаоца → ескалирај“. Резултат? Сваки означени случај је праћен пративим, људски читљивим ланцем резоновања. Ревизори волели . То је супермоћ симболичке вештачке интелигенције - транспарентно, инспективно размишљање .
Табела за брзо поређење 📊
| Алат / Приступ | Ко га користи | Распон трошкова | Зашто функционише (или не) |
|---|---|---|---|
| Експертски системи 🧠 | Лекари, инжењери | Скупо подешавање | Веома јасно резоновање засновано на правилима, али крхко [1] |
| Графови знања 🌐 | Претраживачи, подаци | Мешовити трошкови | Повезује ентитете + релације на нивоу [3] |
| Четботови засновани на правилима 💬 | Корисничка служба | Ниско-средње | Брзо се гради; али нијансе? не баш толико |
| Неуро-симболичка вештачка интелигенција ⚡ | Истраживачи, стартапови | Високо напред | Логика + машинско учење = објашњиво обликовање [4] |
Како симболичка вештачка интелигенција функционише (у пракси) 🛠️
У својој суштини, симболичка вештачка интелигенција се састоји од само две ствари: симбола (концепта) и правила (како се ти концепти повезују). Пример:
-
Симболи:
Пас,Животиња,Има реп -
Правило: Ако је X пас → X је животиња.
Одавде можете почети са изградњом логичких ланаца - попут дигиталних LEGO коцкица. Класични експертски системи су чак чували чињенице у тројкама (атрибут–објекат–вредност) и користили су интерпретатор правила усмерен ка циљу да би корак по корак доказали упите [1].
Примери симболичке вештачке интелигенције из стварног живота 🌍
-
MYCIN - медицински експертски систем за заразне болести. Заснован на правилима, прилагођен објашњењима [1].
-
ДЕНДРАЛ - рана хемијска вештачка интелигенција која је погађала молекуларне структуре из спектрометријских података [2].
-
Google Knowledge Graph - мапирање ентитета (људи, места, ствари) + њихових односа да би се одговорило на упите типа „ствари, а не стрингови“ [3].
-
Ботови засновани на правилима - скриптовани токови за корисничку подршку; солидни за доследност, слаби за отворено ћаскање.
Зашто је симболичка вештачка интелигенција пропала (али није умрла) 📉➡️📈
Ево где симболичка вештачка интелигенција запада: у неуређен, непотпун, контрадикторан стварни свет. Одржавање огромне базе правила је исцрпљујуће, а крхка правила могу да се надују док се не сломе.
Ипак - никада није у потпуности нестало. Упознајте неуро-симболичку вештачку интелигенцију : помешајте неуронске мреже (добре у перцепцији) са симболичком логиком (добром у расуђивању). Замислите то као штафетни тим: неуронски део уочава знак стоп, а затим симболички део схвата шта то значи према саобраћајним прописима. Та комбинација обећава системе који су паметнији и објашњиви [4][5].
Снаге симболичке вештачке интелигенције 💡
-
Транспарентна логика : можете пратити сваки корак [1][5].
-
Прилагођено регулативи : јасно се уклапа у политике и законска правила [5].
-
Модуларно одржавање : можете подесити једно правило без поновног обучавања целог модела чудовишта [1].
Слабости симболичке вештачке интелигенције ⚠️
-
Ужасно у перцепцији : слике, звук, неуредан текст - овде доминирају неуронске мреже.
-
Проблеми скалирања : издвајање и ажурирање експертских правила је заморно [2].
-
Крутост : правила се крше ван своје зоне; неизвесност је тешко обухватити (мада су неки системи делимично исправљали правила) [1].
Пут пред симболичком вештачком интелигенцијом 🚀
Будућност вероватно није чисто симболичка или чисто неуронска. Она је хибридна. Замислите:
-
Неуронски → издваја обрасце из сирових пиксела/текста/звука.
-
Неуро-симболички → подиже обрасце у структуриране концепте.
-
Симболично → примењује правила, ограничења, а затим - што је важно - објашњава .
То је петља у којој машине почињу да личе на људско размишљање: види, структурирај, оправдај [4][5].
Завршавамо 📝
Дакле, симболичка вештачка интелигенција: вођена је логиком, заснована на правилима, спремна за објашњења. Није блистава, али погађа нешто што дубоке мреже и даље не могу: јасно, проверљиво резоновање . Паметна опклада? Системи који позајмљују из оба табора - неуронске мреже за перцепцију и скалирање, симболичке за резоновање и поверење [4][5].
Мета опис: Објашњење симболичке вештачке интелигенције - системи засновани на правилима, снаге/слабости и зашто је неуро-симболичка (логика + машинско учење) пут напред.
Хаштагови:
#ВештачкаИнтелигенција 🤖 #СимболичкаАИ 🧩 #МашинскоУчење #НеуроСимболичкаАИ ⚡ #ТехнолошкоОбјашњење #ПредстављањеЗнања #УвидиУАИ #БудућностАИ
Референце
[1] Бјукенен, БГ и Шортлиф, ЕХ Експертни системи засновани на правилима: MYCIN експерименти Станфордског пројекта хеуристичког програмирања , поглавље 15. ПДФ
[2] Линдзи, Р.К., Бјукенен, Б.Г., Фајгенбаум, Е.А. и Ледерберг, Ј. „DENDRAL: студија случаја првог експертског система за формирање научних хипотеза.“ Artificial Intelligence 61 (1993): 209–261. PDF
[3] Google. „Представљамо Граф знања: ствари, а не стрингови.“ Званични блог Google-а (16. мај 2012). Линк
[4] Монро, Д. „Неуросимболичка вештачка интелигенција“. Саопштења ACM-а (октобар 2022). DOI
[5] Сахох, Б. и др. „Улога објашњиве вештачке интелигенције у доношењу одлука са високим улозима: преглед.“ Patterns (2023). PubMed Central. Линк