Jakie role będą odgrywać bazy wiedzy i które będą odgrywać w przyszłości?

W dzisiejszych czasach sztuczna inteligencja wydaje się niemal równa uczeniu maszynowemu, zwłaszcza głębokiemu uczeniu się. Niektórzy twierdzą, że głębokie uczenie się zastąpi w tej dziedzinie ludzkich ekspertów, tradycyjnie bardzo ważnych w inżynierii obiektów. Mówi się, że dwa przełomy stały się podstawą głębokiego uczenia się: z jednej strony neurobiologia i neuroplastycznośćw szczególności mówi nam, że podobnie jak ludzki mózg, który jest wysoce plastyczny, sztuczne sieci można wykorzystać do modelowania prawie wszystkich funkcji; z drugiej strony wzrost mocy obliczeniowej, w szczególności wprowadzenie GPU i FPGA, wspaniale poprawił inteligencję algorytmiczną i sprawił, że modele stworzone dekady temu były niezwykle potężne i wszechstronne. Dodam, że duże zbiory danych (głównie dane oznaczone) zgromadzone w ciągu ostatnich lat są również istotne.

Takie zmiany wprowadzają wizję komputerową (i rozpoznawanie głosu) w nową erę, ale w przetwarzaniu języka naturalnego i systemach eksperckich sytuacja nie zmieniła się zbytnio.

Osiągnięcie zdrowego rozsądku dla sieci neuronowych wydaje się wysokim porządkiem, ale większość zdań, rozmów i krótkich tekstów zawiera wnioski, które należy wyciągnąć z wiedzy świata w tle. Grafowanie wiedzy ma zatem ogromne znaczenie dla sztucznej inteligencji. Sieci neuronowe można wykorzystać do budowania baz wiedzy, ale wydaje się, że modele sieci neuronowych mają trudności z wykorzystaniem tych skonstruowanych baz wiedzy.

Moje pytania to:

1. Czy baza wiedzy (na przykład „wykres wiedzy” opracowany przez Google) jest obiecującą gałęzią sztucznej inteligencji? Jeśli tak, to w jaki sposób KB może wzmocnić uczenie maszynowe? Jak możemy włączyć dyskretne zmienne ukryte do NLU i NLG?

2. Gdzie jest kierunek przetrwania w epoce zdominowanej przez DL? Czy dynamiczna baza wiedzy przypominająca Wolfram jest nowym kierunkiem? Lub jakieś nowe kierunki?

Czy brakuje mi czegoś fundamentalnego lub pomysłów dotyczących tych problemów?

Przede wszystkim chciałbym zwrócić uwagę na główne różnice między bazą wiedzy a (głębokim) uczeniem maszynowym, szczególnie gdy główny nacisk kładziony jest na „AI”, a nie „Data Science”:

• NN są jak czarna skrzynka; Nawet jeśli nauczą się zestawu danych i zyskają moc generalizacji w dziedzinie problematycznej, nigdy nie dowiesz się, jak działają. jeśli przyjrzysz się szczegółom opracowanego modelu, zobaczysz tylko cyfry, wagi, słabe i silne połączenia oraz funkcje transformacji. krok „wyodrębnianie funkcji” przed fazą szkolenia dosłownie mówi: „hej człowieku, wystarczy w skomplikowanym świecie, zacznijmy od zer i jedynek”. W przypadku DL jest gorzej! nawet nie widzimy, jakie są wybrane i skuteczne funkcje. Nie jestem ekspertem od DL, ale o ile wiem, czarna skrzynka DL jest ciemniejsza! Ale bazy wiedzy są napisane przyjaznym dla człowieka językiem. po fazie akumulacji wiedzy można było zobaczyć wszystkie połączenia między istotami, a co ważniejsze, możesz zinterpretować te połączenia. jeśli przecinasz drut w bazie wiedzy, Twój model straci trochę mocy i wiesz, co dokładnie straci; na przykład odłączenie węzła „Plutona” od węzła „układu słonecznego” powie Twojemu modelowi, co powiedział nam deGrasse Tyson. ale w modelu ML może to zmienić go w całkowicie bezużyteczny: co stanie się, jeśli manipulujesz połączeniem między neuronem o numerze 14 i 47 w modelu NN używanym do przewidywania, które planety należą do Układu Słonecznego ?!

• Modele ML są jedynie zapisem danych. Nie mają mocy wnioskowania i nie dają wam żadnej. z drugiej strony baza wiedzy jest w stanie wnioskować z wcześniejszej wiedzy, jak wskazałeś w swoim pytaniu. Pokazano, że modele DL, które zostały przeszkolone z danymi powiedzmy o klasyfikacji obrazów, można również zastosować do problemu wykrywania głosu. Ale to nie znaczy, że modele DL mogą zastosować swoją wcześniejszą wiedzę w dziedzinie obrazów w dziedzinie głosów.

• Potrzebujesz kilogramów danych dla tradycyjnych algorytmów ML i ton danych dla algorytmów DL. ale pojedyncze wystąpienie zestawu danych stworzy dla Ciebie znaczącą bazę wiedzy.

W NLP istnieją dwa główne tematy badawcze: tłumaczenie maszynowe i odpowiadanie na pytania. Praktycznie zostało wykazane, że DL działa znacząco z problemami z tłumaczeniem maszynowym, ale działa głupio, jeśli chodzi o odpowiadanie na wyzwania, szczególnie gdy zakres tematów poruszanych w rozmowie człowiek-maszyna jest szeroki. Bazy wiedzy nie są dobrym wyborem do tłumaczenia maszynowego, ale prawdopodobnie są kluczem do szlachetnego urządzenia odpowiadającego na pytania. Ponieważ w tłumaczeniu maszynowym liczy się tylko przetłumaczona wersja tekstu (i nie obchodzi mnie, w jaki sposób maszyna to zrobiła, o ile jest to prawdą), ale jeśli chodzi o problem z odpowiedzią, nie potrzebuję papugi, która powtarza te same informacje, które mu podałem, ale inteligentne stworzenie, które daje mi „jabłko można zjeść” po tym, jak mu powiem „jabłko jest owocem” i „