Neurosymbolinen tekoäly
| Osa artikkelisarjaa |
| Tekoäly |
|---|
_artificial_intelligence_icon.png){kind=icon} |
Neurosymbolinen tekoäly ja neurosymbolinen keinoäly (engl. neuro-symbolic AI) on eräänlainen tekoälytyyppi, joka yhdistää neuraalisen ja symbolisen tekoälyarkkitehtuurit molempien heikkouksien korjaamiseksi ja tarjoaa vankan tekoälyn, joka kykenee päättelyyn, oppimiseen ja kognitiiviseen mallintamiseen. Kuten Valiant[1] ja muut ovat todenneet,[2][3] monipuolisten kognitiivisten laskennallisten mallien tehokas rakentaminen edellyttää symbolisen päättelyn ja tehokkaan koneoppimisen yhdistämistä. Gary Marcus on väittänyt: ”Emme voi rakentaa monipuolisia kognitiivisia malleja riittävällä, automatisoidulla tavalla ilman hybridiarkkitehtuurin, monipuolisen ennakkotiedon ja kehittyneiden päättelytekniikoiden muodostamaa kolmiyhteyttä.”[4] Lisäksi: ”Vankan, tietoon perustuvan tekoälyn kehittämiseksi tarvitaan symbolien manipulointia. Tämä koneisto on olennainen osa työkalupakkiamme. Hyödyllisestä tiedosta suuri osa on abstraktia, joten sitä ei voi käsitellä ilman symbolien manipulointikoneistoa, joka on ainoa tunnettu työkalu tällaisen tiedon luotettavaan käsittelyyn”.[5]
Myös Henry Kautz[6], Francesca Rossi[7] ja Bart Selman[8] ovat kannattaneet neurosymbolisen tekoälyn yhdistämistä. Heidän argumenttinsa pyrkivät käsittelemään kahta ajattelutapaa, joista Daniel Kahneman kirjoittaa teoksessaan Ajattelu, nopeasti ja hitaasti. Siinä kuvataan kognition käsittävän kaksi osa-aluetta: Järjestelmä 1 on nopea, refleksiivinen, intuitiivinen ja tiedostamaton. Järjestelmä 2 on hitaampi, vaiheittainen ja eksplisiittinen. Järjestelmää 1 käytetään hahmontunnistukseen. Järjestelmä 2 huolehtii suunnittelusta, päättelystä ja harkitsevasta ajattelusta. Tämän näkemyksen mukaan syväoppiminen käsittelee parhaiten ensimmäisen tyyppistä kognitiota, kun taas symbolinen päättely käsittelee parhaiten toisen tyyppistä kognitiota. Molempia tarvitaan vankassa ja luotettavassa tekoälyssä, joka pystyy oppimaan, päättelemään ja olemaan vuorovaikutuksessa ihmisten kanssa ja ottamaan vastaan neuvoja ja vastaamaan kysymyksiin. Useat tutkijat ovat työskennelleet näiden kahden kaksoisprosessimallien parissa 1990-luvulta lähtien sekä tekoälyn tutkimuksessa että kognitiotieteessä.[9]
Katso myös[muokkaa | muokkaa wikitekstiä]
Lähteet[muokkaa | muokkaa wikitekstiä]
- ↑ Valiant, Leslie G: Knowledge Infusion: In Pursuit of Robustness in Artificial Intelligence. IARCS Annual Conference on Foundations of Software Technology and Theoretical Computer Science / Leibniz International Proceedings in Informatics (LIPIcs), 2008, 2. vsk, s. 415-422. Schloss Dagstuhl — Leibniz —: Zentrum für Informatik. doi:10.4230/LIPIcs.FSTTCS.2008.1770. (englanniksi)
- ↑ Garcez, Artur; Besold, Tarek; De Raedt, Luc; Földiák, Peter; Hitzler, Pascal; Icard, Thomas; Kühnberger, Kai-Uwe; Lamb, Luís; Miikkulainen, Risto; Silver, Daniel: Neural-Symbolic Learning and Reasoning: Contributions and Challenges. AAAI Spring Symposium - Knowledge Representation and Reasoning: Integrating Symbolic and Neural Approaches, 2015. Stanford, Kalifornia: doi:10.13140/2.1.1779.4243. (englanniksi)
- ↑ Garcez, Artur d'Avila; Lamb, Luis C.; Gabbay, Dov M.: Neural-Symbolic Cognitive Reasoning. Cognitive Technologies, 2009. Springer. doi:10.1007/978-3-540-73246-4. ISSN 1611-2482. (englanniksi)
- ↑ Marcus, Gary: The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence. (Julkaisusarja: cs.AI) Computer Science, 2020, s. 44. arXiv:2002.06177. Artikkelin verkkoversio. Viitattu 2.12.2023. (englanniksi)
- ↑ Marcus, Gary & Davis, Ernest: Rebooting AI: Building Artificial Intelligence We Can Trust, s. 17. New York: Random House, 2019. ISBN 978-1-5247-4825-8. (englanniksi)
- ↑ Kautz, Henry: The Third AI Summer, Henry Kautz, AAAI 2020 Robert S. Engelmore Memorial Award Lecture (Juhlapuhe) 11.2.2020. YouTube. Viitattu 2.12.2023. (englanniksi)
- ↑ Rossi, Francesca: AAAI2022: Thinking Fast and Slow in AI (AAAI 2022 Invited Talk IBM Research. Viitattu 2.12.2023. (englanniksi)
- ↑ Selman, Bart: AAAI2022: Presidential Address: The State of AI" aaai-2022.virtualchair.net. 6.7.2022. Viitattu 2.12.2023. (englanniksi)
- ↑ Sun, Ron: Robust reasoning: Integrating rule-based and similarity-based reasoning. Artificial Intelligence, 1995, 75. vsk, nro 2, s. 241–296. ScienceDirect / Elsevier. doi:10.1016/0004-3702(94)00028-Y. Artikkelin verkkoversio. Viitattu 2.12.2023. (englanniksi)
Kirjallisuutta[muokkaa | muokkaa wikitekstiä]
Yliopistotason oppikirjoja[muokkaa | muokkaa wikitekstiä]
- Hitzler, Pascal & Sarker, Md Kamruzzaman: Neuro-Symbolic Artificial Intelligence: The State of the Art. IOS Press, 2022. ISBN 978-1-64368-244-0 8 (nidottu) ja ISBN 978-1-64368-245-7 (E-kirja). Kustantajan verkkosivut. (englanniksi)
- Hitzler, Pascal; Sarker, Md Kamruzzaman; Eberhart, Aaron: Compendium of Neurosymbolic Artificial Intelligence. IOS Press, 2023. ISBN 978-1-64368-406-2 (nidottu) ja ISBN 978-1-64368-407-9 (E-kirja). Kustantajan verkkosivut. (englanniksi)
Tutkimusta & raportteja[muokkaa | muokkaa wikitekstiä]
- Laitinen, Vesa: Tekoälyteknologian murros: tekoälyn kolmas aalto. (luku: 5.1.2 Koneoppiminen, s. 39–40) Ylempi AMK-opinnäytetyö, 2020. Hämeen ammattikorkeakoulu (HAMK). Tutkimuksen verkkoversio (PDF). Viitattu 4.12.2023.