Kakšna je razlika med simboličnim in ne-simboličnim pristopom k AI?


Odgovor 1:

Skratka, razlika je v tem, kako se AI "uči" in navaja, kaj zna.

Simbolični pristop pravi, da je najboljši način, da se AI naučite, hraniti z njim berljive informacije, povezane s tistimi, za katere mislite, da jih mora vedeti. Če želite ustvariti AI, ki bo nadomestil zdravnika, mu nahranite tono medicinskih učbenikov in ta odgovori na vprašanja, tako da poišče odgovore iz teh učbenikov.

Nesimbolični pristop priznava, da oblike informacij na ljudeh niso vedno najbolj primerne za AI, in spodbuja vnos surovih informacij v AI, da lahko analizira in oblikuje svoje implicitno znanje.

Zdaj, kaj to dejansko pomeni?

Analogija, ki se mi zdi močno vrtena, je jezikovno prevajanje. Predstavljajte si, na primer, da imate moškega, skritega v sobi, ki prevaja besedilo za vas. V tej sobi je na tisoče in tisoče zvezkov, ki prevajajo v vsak jezik in iz njega.

Frazo želite prevesti iz angleščine v mandarinščino. Moški v sobi pošljete svojo angleško besedno zvezo na opombo pod vrati, ta pa naj bi jo prevedel na mandarino in odgovor potrdil takoj, ko bo to storil.

Če bi bil moški simbolični AI, bi pogledal vaš papir in videl, da imate angleško besedno zvezo in bi jo želel prevesti v mandarino. Stopil bo do kitajskih knjižnih polic in pograbil nekaj mandarinskih zvezkov, si poiskal angleške stavke in zabeležil enakovredne besedne zveze v Mandarini. Čez nekaj časa bo preveden papir nazaj pod vrata do vas.

Iz vaše perspektive je videti, da človek za vrati pozna Mandarino, a v resnici ne. Vendar pa mu ta pristop omogoča, da z minimalnimi nastavitvami prevaja v kateri koli jezik in iz katerega koli jezika: samo napolnite sobo s polnimi zvezki in že grete. Slaba stran tega pristopa je v tem, da mora vsak prevod prebrati več korakov za iskanje pravih informacij in da končni prevod ni nujno 100% pravilen, če implicitno ne poznamo jezika, ki se prevaja v / iz njega.

Po drugi strani pa, če bi bil moški za vrati nesimbolni AI, bi prejel papir pod vrati, glejte, da želite prevesti iz angleščine v mandarino, in preprosto zapišite prevod in ga takoj pošljite nazaj.

Velika razlika je v tem, da ste to AI dejansko naučili razumeti njen kontekst (v tem primeru jezike, ki bi jih prevedli v in iz) vnaprej. Potreben je čas in trud, da se AI nauči notranje razumeti to znanje, vendar ima zatem hitrejše in natančnejše prevode za jezike, ki jih pozna. Tudi tu se kažejo posledice, da obseg traja dlje časa (ne na primer, da tega človeka naučite vsakega novega jezika, ki ga želite prevesti v / iz njega, in konceptov, ki jih prevaja, tako da jih lahko poveže med vsakim jezikom), hkrati pa simboličnih jeziki lahko uporabljajo isti splošni okvir (poiščite pravo knjigo in poiščite stavke) za kateri koli jezik, za katerega so na voljo informacije.


Odgovor 2:

Všeč mi je, da o AI razmišljam kot o dveh taboriščih.

Tisti, ki mu pravim "bogato z znanjem", v sistemu, ki se gradi, kodira čim več znanja o njegovi domeni. Ideja je, da se nekaj novega naučite le, če je le malo več, kot že veste. To področje vključuje strokovne sisteme, sklepanje na podlagi primerov, nekaj obdelave naravnega jezika itd.

V tej veji AI je težava in veliko domenskega znanja izrecno kodirano v uporabljenih algoritmih. To je simbolni AI tabor.

http: //web.media.mit.edu/~minsky ...

Nasprotno pa veja AI, ki je brez znanja, AI ne potrebuje specializiranega znanja, temveč samo sposobnost učenja. To področje vključuje genetske algoritme, nevronske mreže (ANN) in kolonijo mravov ter druge biološko navdihnjene tehnike.

Tu je glavna ideja predstavitev, v kateri se zdi, da odgovori ne vsebujejo jasne predstavitve problematične domene. Na primer v ANN obstaja niz uteži, ki se išče. Te uteži, vsaj ko začnemo učni proces, nimajo nobenega odnosa do tega, kar se skušamo naučiti, niti do odgovorov, ki jih poskušamo pridobiti.

Še en dober primer, kako se to razlikuje, je v prevodu z naravnega jezika. V tradicionalnem računalniškem jezikoslovju v svoje sisteme kodiramo veliko bolj mračnega in semantičnega. V ne-simboličnih sistemih AI uporabljamo nekaj podobnega kot statistika sovpadanja v velikih primerov prevedenih besedil. Takšna besedila, kot so dokumenti vlade EU in Kanade.

RenderMatrix, Inc.


Odgovor 3:

Všeč mi je, da o AI razmišljam kot o dveh taboriščih.

Tisti, ki mu pravim "bogato z znanjem", v sistemu, ki se gradi, kodira čim več znanja o njegovi domeni. Ideja je, da se nekaj novega naučite le, če je le malo več, kot že veste. To področje vključuje strokovne sisteme, sklepanje na podlagi primerov, nekaj obdelave naravnega jezika itd.

V tej veji AI je težava in veliko domenskega znanja izrecno kodirano v uporabljenih algoritmih. To je simbolni AI tabor.

http: //web.media.mit.edu/~minsky ...

Nasprotno pa veja AI, ki je brez znanja, AI ne potrebuje specializiranega znanja, temveč samo sposobnost učenja. To področje vključuje genetske algoritme, nevronske mreže (ANN) in kolonijo mravov ter druge biološko navdihnjene tehnike.

Tu je glavna ideja predstavitev, v kateri se zdi, da odgovori ne vsebujejo jasne predstavitve problematične domene. Na primer v ANN obstaja niz uteži, ki se išče. Te uteži, vsaj ko začnemo učni proces, nimajo nobenega odnosa do tega, kar se skušamo naučiti, niti do odgovorov, ki jih poskušamo pridobiti.

Še en dober primer, kako se to razlikuje, je v prevodu z naravnega jezika. V tradicionalnem računalniškem jezikoslovju v svoje sisteme kodiramo veliko bolj mračnega in semantičnega. V ne-simboličnih sistemih AI uporabljamo nekaj podobnega kot statistika sovpadanja v velikih primerov prevedenih besedil. Takšna besedila, kot so dokumenti vlade EU in Kanade.

RenderMatrix, Inc.


Odgovor 4:

Všeč mi je, da o AI razmišljam kot o dveh taboriščih.

Tisti, ki mu pravim "bogato z znanjem", v sistemu, ki se gradi, kodira čim več znanja o njegovi domeni. Ideja je, da se nekaj novega naučite le, če je le malo več, kot že veste. To področje vključuje strokovne sisteme, sklepanje na podlagi primerov, nekaj obdelave naravnega jezika itd.

V tej veji AI je težava in veliko domenskega znanja izrecno kodirano v uporabljenih algoritmih. To je simbolni AI tabor.

http: //web.media.mit.edu/~minsky ...

Nasprotno pa veja AI, ki je brez znanja, AI ne potrebuje specializiranega znanja, temveč samo sposobnost učenja. To področje vključuje genetske algoritme, nevronske mreže (ANN) in kolonijo mravov ter druge biološko navdihnjene tehnike.

Tu je glavna ideja predstavitev, v kateri se zdi, da odgovori ne vsebujejo jasne predstavitve problematične domene. Na primer v ANN obstaja niz uteži, ki se išče. Te uteži, vsaj ko začnemo učni proces, nimajo nobenega odnosa do tega, kar se skušamo naučiti, niti do odgovorov, ki jih poskušamo pridobiti.

Še en dober primer, kako se to razlikuje, je v prevodu z naravnega jezika. V tradicionalnem računalniškem jezikoslovju v svoje sisteme kodiramo veliko bolj mračnega in semantičnega. V ne-simboličnih sistemih AI uporabljamo nekaj podobnega kot statistika sovpadanja v velikih primerov prevedenih besedil. Takšna besedila, kot so dokumenti vlade EU in Kanade.

RenderMatrix, Inc.