Symbolic AI ແມ່ນຫຍັງ? ທັງໝົດທີ່ທ່ານຕ້ອງຮູ້.

ໃນປະຈຸບັນເມື່ອຄົນເວົ້າກ່ຽວກັບ AI, ການສົນທະນາເກືອບທັງໝົດມັກຈະຂ້າມໄປຫາ chatbot ທີ່ຟັງຄືກັບມະນຸດ, ເຄືອຂ່າຍປະສາດຂະໜາດໃຫຍ່ທີ່ວິເຄາະຂໍ້ມູນ, ຫຼືລະບົບຮັບຮູ້ຮູບພາບເຫຼົ່ານັ້ນທີ່ສັງເກດເຫັນແມວໄດ້ດີກ່ວາມະນຸດທີ່ອິດເມື່ອຍບາງຄົນ. ແຕ່ດົນນານກ່ອນທີ່ຈະມີຄວາມນິຍົມນັ້ນ, ມີ AI ສັນຍາລັກ . ແລະແປກພໍສົມຄວນ - ມັນຍັງຢູ່ທີ່ນີ້, ຍັງເປັນປະໂຫຍດ. ໂດຍພື້ນຖານແລ້ວມັນກ່ຽວກັບການສອນຄອມພິວເຕີໃຫ້ໃຊ້ເຫດຜົນຄືກັບຄົນ: ການໃຊ້ ສັນຍາລັກ, ເຫດຜົນ, ແລະກົດລະບຽບ . ແບບເກົ່າບໍ? ບາງທີ. ແຕ່ໃນໂລກທີ່ຫຼົງໄຫຼກັບ AI "ກ່ອງດຳ", ຄວາມຊັດເຈນຂອງ AI ສັນຍາລັກຮູ້ສຶກສົດຊື່ນ [1].

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ຄູຝຶກ AI ແມ່ນຫຍັງ
ອະທິບາຍບົດບາດ ແລະ ຄວາມຮັບຜິດຊອບຂອງຄູຝຶກ AI ທີ່ທັນສະໄໝ.

🔗 ວິທະຍາສາດຂໍ້ມູນຈະຖືກທົດແທນໂດຍ AI ບໍ?
ສຳຫຼວດວ່າຄວາມກ້າວໜ້າຂອງ AI ເປັນໄພຂົ່ມຂູ່ຕໍ່ອາຊີບວິທະຍາສາດຂໍ້ມູນຫຼືບໍ່.

🔗 AI ໄດ້ຮັບຂໍ້ມູນຂອງມັນມາຈາກໃສ
ແຍກແຫຼ່ງຂໍ້ມູນທີ່ຮູບແບບ AI ໃຊ້ເພື່ອຮຽນຮູ້ ແລະ ປັບຕົວ.

ພື້ນຖານ AI ແບບສັນຍາລັກ✨

ນີ້ແມ່ນຂໍ້ຕົກລົງ: AI ສັນຍະລັກຖືກສ້າງຂຶ້ນບົນ ຄວາມຊັດເຈນ . ເຈົ້າສາມາດຕິດຕາມເຫດຜົນ, ກວດສອບກົດລະບຽບ, ແລະເຫັນໄດ້ຢ່າງແທ້ຈິງ ວ່າເປັນຫຍັງ ເຄື່ອງຈັກຈຶ່ງເວົ້າໃນສິ່ງທີ່ມັນເຮັດ. ປຽບທຽບກັບເຄືອຂ່າຍປະສາດທີ່ພຽງແຕ່ຖົ່ມຄຳຕອບອອກມາ - ມັນຄືກັບການຖາມໄວລຸ້ນວ່າ "ເປັນຫຍັງ?" ແລະໄດ້ຮັບການຍົກບ່າໄຫລ່. ໃນທາງກົງກັນຂ້າມ, ລະບົບສັນຍະລັກຈະເວົ້າວ່າ: "ເພາະວ່າ A ແລະ B ໝາຍເຖິງ C, ດັ່ງນັ້ນ C." ຄວາມສາມາດໃນການອະທິບາຍຕົວມັນເອງນັ້ນແມ່ນການປ່ຽນແປງເກມສຳລັບສິ່ງທີ່ມີຄວາມສ່ຽງສູງ (ຢາປົວພະຍາດ, ການເງິນ, ແມ່ນແຕ່ຫ້ອງສານ) ບ່ອນທີ່ມີຄົນສະເໝີຂໍຫຼັກຖານ [5].

ເລື່ອງເລັກໆນ້ອຍໆ: ທີມງານປະຕິບັດຕາມກົດລະບຽບຢູ່ທະນາຄານໃຫຍ່ໄດ້ເຂົ້າລະຫັດນະໂຍບາຍການລົງໂທດເຂົ້າໃນເຄື່ອງຈັກກົດລະບຽບ. ສິ່ງຕ່າງໆເຊັ່ນ: “ຖ້າປະເທດຕົ້ນກຳເນີດ ∈ {X} ແລະ ຂໍ້ມູນຜູ້ຮັບຜົນປະໂຫຍດທີ່ຫາຍໄປ → ຍົກລະດັບ.” ຜົນໄດ້ຮັບ? ທຸກໆກໍລະນີທີ່ຖືກໝາຍທຸງມາພ້ອມກັບລະບົບຕ່ອງໂສ້ເຫດຜົນທີ່ມະນຸດສາມາດຕິດຕາມໄດ້. ຜູ້ກວດສອບ ມັກ ມັນ. ນັ້ນແມ່ນພະລັງພິເສດຂອງ Symbolic AI - ການຄິດທີ່ໂປ່ງໃສ ແລະ ສາມາດກວດສອບໄດ້ .

ຕາຕະລາງປຽບທຽບດ່ວນ 📊

ວິທີການເຮັດວຽກຂອງ AI ແບບສັນຍາລັກ (ໃນການປະຕິບັດ) 🛠️

ໃນແກ່ນແທ້ຂອງມັນ, Symbolic AI ແມ່ນພຽງແຕ່ສອງຢ່າງຄື: ສັນຍາລັກ (ແນວຄວາມຄິດ) ແລະ ກົດລະບຽບ (ວິທີທີ່ແນວຄວາມຄິດເຫຼົ່ານັ້ນເຊື່ອມຕໍ່ກັນ). ຕົວຢ່າງ:

• ສັນຍະລັກ: ໝາ , ສັດ , ຫາງ

• ກົດລະບຽບ: ຖ້າ X ເປັນໝາ → X ເປັນສັດ.

ຈາກບ່ອນນີ້, ທ່ານສາມາດເລີ່ມຕົ້ນສ້າງລະບົບຕ່ອງໂສ້ຂອງເຫດຜົນ - ຄືກັບຊິ້ນສ່ວນ LEGO ດິຈິຕອລ. ລະບົບຜູ້ຊ່ຽວຊານແບບຄລາສສິກແມ່ນແຕ່ເກັບຮັກສາຂໍ້ເທັດຈິງໄວ້ໃນ ສາມສ່ວນ (ຄຸນລັກສະນະ-ວັດຖຸ-ຄ່າ) ແລະໃຊ້ ຕົວແປກົດລະບຽບທີ່ມຸ່ງໄປສູ່ເປົ້າໝາຍ ເພື່ອພິສູດຄຳຖາມເທື່ອລະຂັ້ນຕອນ [1].

ຕົວຢ່າງຕົວຈິງຂອງ AI ສັນຍະລັກ 🌍

1. MYCIN - ລະບົບຜູ້ຊ່ຽວຊານດ້ານການແພດສຳລັບພະຍາດຕິດຕໍ່. ອີງໃສ່ກົດລະບຽບ, ງ່າຍຕໍ່ການອະທິບາຍ [1].

2. DENDRAL - AI ເຄມີສາດຕົ້ນໆທີ່ຄາດເດົາໂຄງສ້າງໂມເລກຸນຈາກຂໍ້ມູນ spectrometry [2].

3. ກຣາຟຄວາມຮູ້ຂອງ Google - ການສ້າງແຜນທີ່ໜ່ວຍງານຕ່າງໆ (ຄົນ, ສະຖານທີ່, ສິ່ງຂອງຕ່າງໆ) + ຄວາມສຳພັນຂອງພວກມັນເພື່ອຕອບຄຳຖາມ “ສິ່ງຂອງ, ບໍ່ແມ່ນສະຕຣິງ” [3].

4. ບອທ໌ທີ່ອີງໃສ່ກົດລະບຽບ - ກະແສທີ່ຂຽນໄວ້ສຳລັບການສະໜັບສະໜູນລູກຄ້າ; ແຂງແກ່ນໃນດ້ານຄວາມສອດຄ່ອງ, ອ່ອນແອໃນການສົນທະນາແບບເປີດກວ້າງ.

ເປັນຫຍັງ AI ສັນຍະລັກຈຶ່ງລົ້ມເຫຼວ (ແຕ່ບໍ່ໄດ້ຕາຍ) 📉➡️📈

ນີ້ແມ່ນບ່ອນທີ່ AI ແບບສັນຍາລັກເກີດຂຶ້ນ: ໂລກແຫ່ງຄວາມເປັນຈິງທີ່ວຸ້ນວາຍ, ບໍ່ຄົບຖ້ວນ, ແລະ ຂັດແຍ້ງກັນ. ການຮັກສາພື້ນຖານກົດລະບຽບອັນໃຫຍ່ຫຼວງແມ່ນເລື່ອງທີ່ໜ້າເບື່ອໜ່າຍ, ແລະ ກົດລະບຽບທີ່ແຕກຫັກສາມາດເພີ່ມຂຶ້ນຈົນກວ່າມັນຈະແຕກຫັກ.

ແຕ່ - ມັນບໍ່ເຄີຍຫາຍໄປໝົດ. ເຂົ້າສູ່ AI ທີ່ເປັນສັນຍາລັກທາງລະບົບປະສາດ : ປະສົມປະສານເຄືອຂ່າຍປະສາດ (ດີໃນການຮັບຮູ້) ກັບເຫດຜົນທາງສັນຍາລັກ (ດີໃນການຫາເຫດຜົນ). ຄິດເບິ່ງມັນຄືກັບທີມສົ່ງຕໍ່: ສ່ວນປະສາດສັງເກດເຫັນປ້າຍຢຸດ, ຫຼັງຈາກນັ້ນສ່ວນສັນຍາລັກຈະຄິດໄລ່ວ່າມັນໝາຍຄວາມວ່າແນວໃດພາຍໃຕ້ກົດໝາຍຈະລາຈອນ. ການປະສົມປະສານນັ້ນສັນຍາວ່າ ລະບົບທີ່ສະຫຼາດກວ່າ ແລະ ສາມາດອະທິບາຍໄດ້ [4][5].

ຈຸດແຂງຂອງ AI ສັນຍະລັກ 💡

• ເຫດຜົນທີ່ໂປ່ງໃສ : ທ່ານສາມາດປະຕິບັດຕາມທຸກໆຂັ້ນຕອນ [1][5].

• ເປັນມິດກັບກົດລະບຽບ : ເຊື່ອມໂຍງນະໂຍບາຍ ແລະ ກົດລະບຽບທາງກົດໝາຍຢ່າງຈະແຈ້ງ [5].

• ການບຳລຸງຮັກສາແບບໂມດູນ : ທ່ານສາມາດປັບແຕ່ງກົດລະບຽບໜຶ່ງໄດ້ໂດຍບໍ່ຕ້ອງຝຶກອົບຮົມຮູບແບບມອນສະເຕີທັງໝົດຄືນໃໝ່ [1].

ຈຸດອ່ອນຂອງ AI ແບບສັນຍາລັກ ⚠️

• ການຮັບຮູ້ບໍ່ດີເລີຍ : ຮູບພາບ, ສຽງ, ຂໍ້ຄວາມທີ່ວຸ້ນວາຍ - ຕາໜ່າງປະສາດຄອບງຳຢູ່ທີ່ນີ້.

• ຄວາມເຈັບປວດໃນການຂູດຂະໜາດ : ການສະກັດ ແລະ ການອັບເດດກົດລະບຽບຂອງຜູ້ຊ່ຽວຊານແມ່ນໜ້າເບື່ອ [2].

• ຄວາມແຂງກະດ້າງ : ກົດລະບຽບແຕກອອກນອກເຂດຂອງມັນ; ຄວາມບໍ່ແນ່ນອນຍາກທີ່ຈະຮັບຮູ້ໄດ້ (ເຖິງແມ່ນວ່າບາງລະບົບໄດ້ແຮັກການແກ້ໄຂບາງສ່ວນແລ້ວ) [1].

ເສັ້ນທາງຂ້າງໜ້າສຳລັບ AI ສັນຍະລັກ 🚀

ອະນາຄົດອາດຈະບໍ່ແມ່ນສັນຍາລັກ ຫຼື ລະບົບປະສາດບໍລິສຸດ. ມັນເປັນແບບປະສົມ. ລອງນຶກພາບເບິ່ງ:

1. ລະບົບປະສາດ → ສະກັດຮູບແບບຈາກພິກເຊວ/ຂໍ້ຄວາມ/ສຽງດິບ.

2. ສັນຍາລັກລະບົບປະສາດ → ຍົກຮູບແບບຕ່າງໆໃຫ້ເປັນແນວຄິດທີ່ມີໂຄງສ້າງ.

3. ສັນຍະລັກ → ນຳໃຊ້ກົດລະບຽບ, ຂໍ້ຈຳກັດ, ແລະຫຼັງຈາກນັ້ນ - ທີ່ສຳຄັນ - ອະທິບາຍ .

ນັ້ນແມ່ນວົງວຽນທີ່ເຄື່ອງຈັກເລີ່ມຄ້າຍຄືກັບເຫດຜົນຂອງມະນຸດ: ເບິ່ງ, ໂຄງສ້າງ, ໃຫ້ເຫດຜົນ [4][5].

ສະຫຼຸບມັນແລ້ວ 📝

ສະນັ້ນ, AI ແບບສັນຍາລັກ: ມັນຂັບເຄື່ອນດ້ວຍເຫດຜົນ, ອີງໃສ່ກົດລະບຽບ, ພ້ອມຄໍາອະທິບາຍ. ບໍ່ແມ່ນແບບທີ່ຟຸ່ມເຟືອຍ, ແຕ່ມັນມີບາງສິ່ງບາງຢ່າງທີ່ຕາໜ່າງເລິກໆຍັງບໍ່ສາມາດເຮັດໄດ້: ເຫດຜົນທີ່ຈະແຈ້ງ, ສາມາດກວດສອບໄດ້ . ການພະນັນທີ່ສະຫຼາດ? ລະບົບທີ່ຢືມມາຈາກ ທັງສອງ ຝ່າຍ - ຕາໜ່າງປະສາດສຳລັບການຮັບຮູ້ ແລະ ຂະໜາດ, ສັນຍາລັກສຳລັບການໃຊ້ເຫດຜົນ ແລະ ຄວາມໄວ້ວາງໃຈ [4][5].

ຄຳອະທິບາຍ Meta: ຄຳອະທິບາຍກ່ຽວກັບ AI ແບບສັນຍາລັກ - ລະບົບທີ່ອີງໃສ່ກົດລະບຽບ, ຈຸດແຂງ/ຈຸດອ່ອນ, ແລະເຫດຜົນທີ່ວ່າເປັນຫຍັງສັນຍາລັກລະບົບປະສາດ (ເຫດຜົນ + ML) ຈຶ່ງເປັນເສັ້ນທາງກ້າວໄປຂ້າງໜ້າ.

ແຮຊແທັກ:
#ປັນຍາປະດິດ 🤖 #AI ສັນຍະລັກ 🧩 #ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ #AI ສັນຍະລັກລະບົບປະສາດ ⚡ #ການອະທິບາຍດ້ານເຕັກໂນໂລຢີ #ການນຳສະເໜີຄວາມຮູ້ #ຄວາມເຂົ້າໃຈກ່ຽວກັບ AI #ອະນາຄົດຂອງ AI

ເອກະສານອ້າງອີງ

[1] Buchanan, BG, & Shortliffe, EH ລະບົບຜູ້ຊ່ຽວຊານທີ່ອີງໃສ່ກົດລະບຽບ: ການທົດລອງ MYCIN ຂອງໂຄງການຂຽນໂປຣແກຣມ Heuristic ຂອງສະແຕນຟອດ , ບົດທີ 15. PDF

[2] Lindsay, RK, Buchanan, BG, Feigenbaum, EA, & Lederberg, J. “DENDRAL: ການສຶກສາກໍລະນີຂອງລະບົບຜູ້ຊ່ຽວຊານທຳອິດສຳລັບການສ້າງສົມມຸດຕິຖານທາງວິທະຍາສາດ.” ປັນຍາປະດິດ 61 (1993): 209–261. PDF

[3] Google. “ການແນະນຳກຣາຟຄວາມຮູ້: ສິ່ງຂອງ, ບໍ່ແມ່ນສາຍ.” ບລັອກທາງການຂອງ Google (16 ພຶດສະພາ 2012). ລິ້ງ

[4] Monroe, D. “AI ສັນຍະລັກທາງປະສາດ.” ການສື່ສານຂອງ ACM (ຕຸລາ 2022). DOI

[5] Sahoh, B., ແລະ ອື່ນໆ. “ບົດບາດຂອງປັນຍາປະດິດທີ່ສາມາດອະທິບາຍໄດ້ໃນການຕັດສິນໃຈທີ່ມີຄວາມສ່ຽງສູງ: ບົດວິຈານ.” ຮູບແບບ (2023). PubMed Central. ລິ້ງ