A mesterséges intelligencia fejlesztésének évtizedei alatt két fő tábort létesítettek ezen a területen. A "szimbolisták" intelligens gépek építésére törekedtek a világ logikai szabályainak és reprezentációinak programozásával. A "konnektionisták" mesterséges neurológiai hálózatokat igyekeztek kiépíteni, amelyeket a biológia ihletett a világ felfedezéséhez. Most a MIT, az IBM és a DeepMind kutatói rámutatnak arra, hogy e két megközelítést új cikkben ötvözhetik.

Josh Tenenbaum, az MIT professzora által vezetett csapat létrehozott egy neuro-szimbolikus koncepciótanulónak (NS-CL) nevű számítógépes programot, amely gyermekként tanul a világról (bár egyszerűsített változatban) - körülnézve önmagában és beszélgetve. A rendszer több részből áll. Az egyik ideghálózat kis számú objektumból létrehozott jelenetek sorozatára van kiképezve.

Egy másik ideghálózat a kérdésekre adott szöveges válaszok sorozatában van kiképezve (például: Mi a gömb színe? Piros). Ez a hálózat megtanul természetes nyelven feltérképezni a kérdéseket egy adott helyszínen futó egyszerű programba, és válaszokat létrehozni.Az NS-CL rendszer úgy van beprogramozva, hogy megértse a szimbolikus fogalmakat a szövegben, pl. "Objektumok", "objektumattribútumok", "térbeli kapcsolatok". Ez a tudás segít az NS-CL-nek megválaszolni egy másik jelenettel kapcsolatos új kérdéseket. Egy ilyen gyakorlat sokkal megterhelőbb, ha pusztán kapcsolódási folyamatot alkalmazunk.

teszi

"Izgalmas megközelítés" - mondja Brenden Lake, a New York-i Egyetem adjunktusa. "A neurális mintafelismerés lehetővé teszi a rendszer számára a látást, míg a szimbolikus programok a rendszer megértését. Ez a megközelítés együttvéve túlmutat azon, amit a mélyreható tanulási rendszerek képesek. ”A hibrid rendszer tehát a két korábbi megközelítés legfontosabb korlátaival foglalkozik azok kombinálásával.

Ezzel kiküszöbölhető a szimbolika skálázhatóságának problémája, amely az emberi tudás teljes komplexitását kívánta programozni, valamint az ideghálózatok egyik leggyakoribb problémáját - azt a tényt, hogy hatalmas mennyiségű adatra van szükségük. Lehetséges megtanítani egy ideghálózatot a kérdések megválaszolására azzal, hogy millió példát ad meg képzési adatok formájában.

A gyermeknek azonban nincs szüksége ilyen hatalmas mennyiségű adatra, hogy megértse, mi az új objektum, és milyen a kapcsolata más tárgyakkal. Még egy ilyen módon képzett hálózat sem fogja igazán megérteni a koncepciót - csak alaposan gyakorolja a megfelelő mintát. Egy ilyen rendszer tehát nagyon csekély hibákra hajlamos, ha más forgatókönyvekkel szembesül.

Az új módszer új lehetőségeket tárhat fel a mesterséges intelligencia alkalmazásában, mivel ez a technológia sokkal kevesebb edzési adatot igényel. A robotrendszerek "menet közben" tanulhatnak, és nem kell sok időt pazarolniuk minden egyes egyedi környezetbe, ahová belépnek.