În deceniile de dezvoltare a inteligenței artificiale, două tabere principale au fost stabilite în această zonă. „Simbolistii” au căutat să construiască mașini inteligente programând reguli logice și reprezentări ale lumii. „Conectioniștii” au căutat să construiască rețele neuronale artificiale inspirate de biologie pentru a explora lumea. Acum, cercetătorii de la MIT, IBM și DeepMind indică puterea de a combina aceste două abordări într-o nouă lucrare.

O echipă condusă de Josh Tenenbaum, profesor la MIT, a creat un program de computer numit student care învață conceptul neuro-simbolic (NS-CL) care învață despre lume (deși o versiune simplificată) în copilărie - privind în jurul său și vorbind. Sistemul este format din mai multe părți. O rețea neuronală este antrenată pe o serie de scene create dintr-un număr mic de obiecte.

O altă rețea neuronală este instruită într-o serie de răspunsuri textuale la întrebări (de exemplu: Care este culoarea sferei? Roșu). Această rețea va învăța să mapeze întrebările în limbaj natural la un program simplu care rulează pe o scenă și să creeze răspunsuri. Sistemul NS-CL este programat pentru a înțelege conceptele simbolice din text, de ex. „Obiecte”, „atribute ale obiectelor”, „relații spațiale”. Aceste cunoștințe ajută NS-CL să răspundă la întrebări noi despre o altă scenă. Un astfel de exercițiu este mult mai solicitant dacă folosim o procedură pur conexionistă.

nextech

„Este o abordare interesantă”, spune Brenden Lake, profesor asistent la Universitatea din New York. „Recunoașterea tiparului neuronal permite sistemului să vadă, în timp ce programele simbolice permit sistemului să înțeleagă. Luată împreună, această abordare depășește ceea ce pot face sistemele de învățare aprofundate actuale. ”Prin urmare, sistemul hibrid abordează limitările cheie ale celor două abordări anterioare prin combinarea acestora.

Acest lucru depășește problema scalabilității simbolismului, care a urmărit să programeze întreaga complexitate a cunoștințelor umane, precum și una dintre cele mai frecvente probleme ale rețelelor neuronale - faptul că au nevoie de o cantitate imensă de date. Este posibil să învățați o rețea neuronală să răspundă la întrebări oferind milioane de exemple sub formă de date de antrenament.

Cu toate acestea, copilul nu are nevoie de o cantitate atât de mare de date pentru a înțelege ce este un obiect nou și care este relația acestuia cu alte obiecte. Chiar și o rețea instruită în acest mod nu va înțelege cu adevărat conceptul - va practica cu atenție tiparul corespunzător. Un astfel de sistem ar fi, prin urmare, predispus la erori foarte banale atunci când se confruntă cu alte scenarii.

Noua metodă ar putea deschide noi posibilități pentru aplicarea inteligenței artificiale, deoarece această tehnologie necesită mult mai puține date de formare. Sistemele robotice ar putea învăța „din mers”, nefiind nevoit să piardă mult timp antrenându-se pentru fiecare mediu unic în care intră.