Simbolička veštačka inteligencija

U veštačkoj inteligenciji, simbolička veštačka inteligencija (takođe poznata kao klasična veštačka inteligencija ili veštačka inteligencija zasnovana na logici)[1][2] je termin za kolekciju svih metoda u istraživanju veštačke inteligencije koje se zasnivaju na simboličkim (ljudski-čitljivim) reprezentacijama visokog nivoa za probleme, logiku i pretrage.[3] Simbolička VI je koristila alate kao što su logičko programiranje, proizvodna pravila, semantičke mreže i okviri, i razvijala je aplikacije kao što su sistemi zasnovani na znanju (posebno ekspertni sistemi), simbolička matematika, automatizovani dokazi teorema, ontologije, semantička mreža i automatizovani sistemi planiranja i rasporeda. Simbolička VI paradigma je dovela do seminalnih ideja u pretrazi, simboličkim programskim jezicima, agentima, sistemima sa više agenata, semantičkom vebu, kao i prednostima i ograničenjima formalnog znanja i sistema rasuđivanja.

Simbolička VI je bila dominantna paradigma istraživanja VI od sredine 1950-ih do sredine 1990-ih.[4] Istraživači su tokom 1960-ih i 1970-ih bili ubeđeni da će simbolički pristupi na kraju uspeti da stvore mašinu sa veštačkom opštom inteligencijom i smatrali su to krajnjim ciljem svog polja. Rani procvat, sa ranim uspesima, kao što su Teoretičar logike i Samjuelov program za igranje dama, doveo je do nerealnih očekivanja i obećanja. Zatim je usledila prva zima veštačke inteligencije pošto je finansiranje prestalo.[5][6] Drugi procvat (1969–1986) dogodio se sa usponom ekspertskih sistema, njihovim obećanjem da će steći korporativnu ekspertizu i entuzijastičnom korporativnom potporom.[7][8] Taj bum i neki rani uspesi, na primer, sa XCON-om na DEC-u, ponovo su praćeni kasnijim razočarenjem.[8] Pojavili su se problemi sa poteškoćama u sticanju znanja, održavanjem velike baze znanja i krhkosti u rešavanju problema van domena. Usledila je još jedna, druga VI zima (1988–2011).[9] Nakon toga, istraživači veštačke inteligencije su se fokusirali na rešavanje osnovnih problema u rešavanju neizvesnosti i sticanju znanja.[10] Neizvesnost je adresirana formalnim metodama kao što su skriveni Markovljevi modeli, Bajesovo rezonovanje i statističko relaciono učenje.[11][12] Simboličko mašinsko učenje se bavilo problemom sticanja znanja putem doprinosa kao što su prostor verzija, Valijantovo PAC učenje, Kvinlanovo ID3 učenje na stablu odluka, učenje zasnovano na slučajevima i induktivno logičko programiranje za učenje odnosa.[13]

Neuronske mreže, podsimbolički pristup, su korišćene od ranih dana i ponovo su se snažno pojavile 2012. Rani primeri su Rozenblatov rad na učenju perceptrona, rad na bekpropagaciji Ramelharta, Hintona i Vilijamsa,[14] i rad na konvolucionim neuronskim mrežama Lekuna i saradinka iz 1989. godine.[15] Međutim, na neuronske mreže se nije gledalo kao na uspešne sve do 2012: „Dok velike količine podataka nisu postale uobičajene, opšti konsenzus u VI zajednici je bio da je takozvani pristup neuronske mreže beznadežan. Sistemi jednostavno nisu adekvatno funkcionisali, u poređenju sa drugim metodama ... Revolucija je nastupila 2012. godine, kada su brojni istraživači, uključujući tim istraživača koji su radili sa Hintonom, razradili način da iskoriste prednosti GPU-a za enormno povećanje snage neuronskih mreža.“[16] Tokom narednih nekoliko godina, duboko učenje je imalo spektakularan uspeh u rukovanju vidom, prepoznavanju govora, sintezi govora, generisanju slika i mašinskom prevođenju. Međutim, od 2020. godine, pošto su inherentne poteškoće sa pristrasnošću, objašnjivošću, razumljivosti i robusnosti postali očigledniji sa pristupima dubokog učenja, sve veći broj istraživača veštačke inteligencije poziva na kombinovanje najboljeg od oba pristupa, simboličkih i neuronskih mreža[17][18] i rešavanje poteškoća sa kojima oba pristupa imaju poteškoća, kao što je zdravorazumsko rezonovanje.[16]

Reference

  1. ^ Garnelo, Marta; Shanahan, Murray (октобар 2019). „Reconciling deep learning with symbolic artificial intelligence: representing objects and relations”. Current Opinion in Behavioral Sciences. 29: 17—23. doi:10.1016/j.cobeha.2018.12.010Слободан приступ. 
  2. ^ Thomason, Richmond (27. 2. 2024). „Logic-Based Artificial Intelligence”. Ур.: Zalta, Edward N. Stanford Encyclopedia of Philosophy. 
  3. ^ Garnelo, Marta; Shanahan, Murray (2019-10-01). „Reconciling deep learning with symbolic artificial intelligence: representing objects and relations”. Current Opinion in Behavioral Sciences (на језику: енглески). 29: 17—23. S2CID 72336067. doi:10.1016/j.cobeha.2018.12.010Слободан приступ. hdl:10044/1/67796Слободан приступ. 
  4. ^ Kolata 1982.
  5. ^ Kautz 2022, стр. 107–109.
  6. ^ Russell & Norvig 2021, стр. 19.
  7. ^ Russell & Norvig 2021, стр. 22–23.
  8. ^ а б Kautz 2022, стр. 109–110.
  9. ^ Kautz 2022, стр. 110.
  10. ^ Kautz 2022, стр. 110–111.
  11. ^ Russell & Norvig 2021, стр. 25.
  12. ^ Kautz 2022, стр. 111.
  13. ^ Kautz 2020, стр. 110–111.
  14. ^ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (1986). „Learning representations by back-propagating errors”. Nature. 323 (6088): 533—536. Bibcode:1986Natur.323..533R. ISSN 1476-4687. S2CID 205001834. doi:10.1038/323533a0. 
  15. ^ LeCun, Y.; Boser, B.; Denker, I.; Henderson, D.; Howard, R.; Hubbard, W.; Tackel, L. (1989). „Backpropagation Applied to Handwritten Zip Code Recognition”. Neural Computation. 1 (4): 541—551. S2CID 41312633. doi:10.1162/neco.1989.1.4.541. 
  16. ^ а б Marcus & Davis 2019.
  17. ^ Rossi, Francesca. „Thinking Fast and Slow in AI”. AAAI. Приступљено 5. 7. 2022. 
  18. ^ Selman, Bart. „AAAI Presidential Address: The State of AI”. AAAI. Приступљено 5. 7. 2022. 

Literatura