Википедија

Симболичка вештачка интелигенција

У вештачкој интелигенцији, симболичка вештачка интелигенција (такође позната као класична вештачка интелигенција или вештачка интелигенција заснована на логици)[1][2] је термин за колекцију свих метода у истраживању вештачке интелигенције које се заснивају на симболичким (људски-читљивим) репрезентацијама високог нивоа за проблеме, логику и претраге.[3] Симболичка VI је користила алате као што су логичко програмирање, производна правила, семантичке мреже и оквири, и развијала је апликације као што су системи засновани на знању (посебно експертни системи), симболичка математика, аутоматизовани докази теорема, онтологије, семантичка мрежа и аутоматизовани системи планирања и распореда. Симболичка VI парадигма је довела до семиналних идеја у претрази, симболичким програмским језицима, агентима, системима са више агената, семантичком вебу, као и предностима и ограничењима формалног знања и система расуђивања.

Симболичка VI је била доминантна парадигма истраживања VI од средине 1950-их до средине 1990-их.[4] Истраживачи су током 1960-их и 1970-их били убеђени да ће симболички приступи на крају успети да створе машину са вештачком општом интелигенцијом и сматрали су то крајњим циљем свог поља. Рани процват, са раним успесима, као што су Теоретичар логике и Самјуелов програм за играње дама, довео је до нереалних очекивања и обећања. Затим је уследила прва зима вештачке интелигенције пошто је финансирање престало.[5][6] Други процват (1969–1986) догодио се са успоном експертских система, њиховим обећањем да ће стећи корпоративну експертизу и ентузијастичном корпоративном потпором.[7][8] Тај бум и неки рани успеси, на пример, са XЦОН-ом на ДЕЦ-у, поново су праћени каснијим разочарењем.[8] Појавили су се проблеми са потешкоћама у стицању знања, одржавањем велике базе знања и крхкости у решавању проблема ван домена. Уследила је још једна, друга VI зима (1988–2011).[9] Након тога, истраживачи вештачке интелигенције су се фокусирали на решавање основних проблема у решавању неизвесности и стицању знања.[10] Неизвесност је адресирана формалним методама као што су скривени Марковљеви модели, Бајесово резоновање и статистичко релационо учење.[11][12] Симболичко машинско учење се бавило проблемом стицања знања путем доприноса као што су простор верзија, Валијантово ПАЦ учење, Квинланово ИД3 учење на стаблу одлука, учење засновано на случајевима и индуктивно логичко програмирање за учење односа.[13]

Неуронске мреже, подсимболички приступ, су коришћене од раних дана и поново су се снажно појавиле 2012. Рани примери су Розенблатов рад на учењу перцептрона, рад на бекпропагацији Рамелхарта, Хинтона и Вилијамса,[14] и рад на конволуционим неуронским мрежама Лекуна и сарадинка из 1989. године.[15] Међутим, на неуронске мреже се није гледало као на успешне све до 2012: „Док велике количине података нису постале уобичајене, општи консензус у VI заједници је био да је такозвани приступ неуронске мреже безнадежан. Системи једноставно нису адекватно функционисали, у поређењу са другим методама ... Револуција је наступила 2012. године, када су бројни истраживачи, укључујући тим истраживача који су радили са Хинтоном, разрадили начин да искористе предности ГПУ-а за енормно повећање снаге неуронских мрежа.“[16] Током наредних неколико година, дубоко учење је имало спектакуларан успех у руковању видом, препознавању говора, синтези говора, генерисању слика и машинском превођењу. Међутим, од 2020. године, пошто су инхерентне потешкоће са пристрасношћу, објашњивошћу, разумљивости и робусности постали очигледнији са приступима дубоког учења, све већи број истраживача вештачке интелигенције позива на комбиновање најбољег од оба приступа, симболичких и неуронских мрежа[17][18] и решавање потешкоћа са којима оба приступа имају потешкоћа, као што је здраворазумско резоновање.[16]

Референце

уреди
  1. ^ Гарнело, Марта; Сханахан, Мурраy (октобар 2019). „Рецонцилинг дееп леарнинг wитх сyмболиц артифициал интеллигенце: репресентинг објецтс анд релатионс”. Цуррент Опинион ин Бехавиорал Сциенцес. 29: 17—23. дои:10.1016/ј.цобеха.2018.12.010  . 
  2. ^ Тхомасон, Рицхмонд (27. 2. 2024). „Логиц-Басед Артифициал Интеллигенце”. Ур.: Залта, Едwард Н. Станфорд Енцyцлопедиа оф Пхилосопхy. 
  3. ^ Гарнело, Марта; Сханахан, Мурраy (2019-10-01). „Рецонцилинг дееп леарнинг wитх сyмболиц артифициал интеллигенце: репресентинг објецтс анд релатионс”. Цуррент Опинион ин Бехавиорал Сциенцес (на језику: енглески). 29: 17—23. С2ЦИД 72336067. дои:10.1016/ј.цобеха.2018.12.010  . хдл:10044/1/67796  . 
  4. ^ Колата 1982.
  5. ^ Каутз 2022, стр. 107–109.
  6. ^ Русселл & Норвиг 2021, стр. 19.
  7. ^ Русселл & Норвиг 2021, стр. 22–23.
  8. ^ а б Каутз 2022, стр. 109–110.
  9. ^ Каутз 2022, стр. 110.
  10. ^ Каутз 2022, стр. 110–111.
  11. ^ Русселл & Норвиг 2021, стр. 25.
  12. ^ Каутз 2022, стр. 111.
  13. ^ Каутз 2020, стр. 110–111.
  14. ^ Румелхарт, Давид Е.; Хинтон, Геоффреy Е.; Wиллиамс, Роналд Ј. (1986). „Леарнинг репресентатионс бy бацк-пропагатинг еррорс”. Натуре. 323 (6088): 533—536. Бибцоде:1986Натур.323..533Р. ИССН 1476-4687. С2ЦИД 205001834. дои:10.1038/323533а0. 
  15. ^ ЛеЦун, Y.; Босер, Б.; Денкер, I.; Хендерсон, D.; Хоwард, Р.; Хуббард, W.; Тацкел, L. (1989). „Бацкпропагатион Апплиед то Хандwриттен Зип Цоде Рецогнитион”. Неурал Цомпутатион. 1 (4): 541—551. С2ЦИД 41312633. дои:10.1162/нецо.1989.1.4.541. 
  16. ^ а б Марцус & Давис 2019.
  17. ^ Росси, Францесца. „Тхинкинг Фаст анд Слоw ин АИ”. АААИ. Приступљено 5. 7. 2022. 
  18. ^ Селман, Барт. „АААИ Пресидентиал Аддресс: Тхе Стате оф АИ”. АААИ. Приступљено 5. 7. 2022. 

Литература

уреди
Преузето из „https://sr.wiki.x.io/w/index.php?title=Simbolička_veštačka_inteligencija&oldid=28498431”