Bilgi üsleri şu anda ne gibi rol oynuyor ve gelecekte oynayacak?

Günümüzde yapay zeka, makine öğrenmesine, özellikle derin öğrenmeye neredeyse eşit görünmektedir. Bazıları derin öğrenmenin bu alanda özellik mühendisliği için geleneksel olarak çok önemli olan insan uzmanlarının yerini alacağını söyledi. İki atılımın derin öğrenmenin yükselişini desteklediği söylenir: bir yandan sinirbilim ve nöroplastisiteözellikle bize, son derece plastik olan insan beyni gibi, yapay ağların neredeyse tüm fonksiyonları modellemek için kullanılabileceğini söyler; Öte yandan, hesaplama gücündeki artış, özellikle GPU ve FPGA'nın tanıtımı, algoritmik zekayı muhteşem bir şekilde artırdı ve onlarca yıl önce oluşturulan modelleri son derece güçlü ve çok yönlü hale getirdi. Son yıllarda biriken büyük verilerin (çoğunlukla etiketli veriler) de alakalı olduğunu ekleyeceğim.

Bu tür gelişmeler bilgisayar vizyonunu (ve ses tanıma) yeni bir döneme getiriyor, ancak doğal dil işleme ve uzman sistemlerde durum çok fazla değişmiş gibi görünmüyordu.

Sinir ağları için sağduyu elde etmek uzun bir düzen gibi görünmektedir, ancak çoğu cümle, konuşmalar ve kısa metinler, arka plan dünya bilgisinden çıkarılması gereken çıkarımlar içermektedir. Bu nedenle bilgi grafiği yapay zeka için çok önemlidir. Sinir ağları bilgi tabanlarının oluşturulmasında kullanılabilir, ancak sinir ağı modellerinin bu yapılandırılmış bilgi tabanlarını kullanmakta zorluk çektiği görülmektedir.

Sorularım:

1. Bir bilgi tabanı (örneğin, Google tarafından üretilen bir "bilgi grafiği") yapay zekada gelecek vaat eden bir dal mıdır? Öyleyse, KB hangi yollarla makine öğrenmesini güçlendirebilir? Ayrık gizli değişkenleri NLU ve NLG'ye nasıl dahil edebiliriz?

2. DL'in hakim olduğu bir çağda hayatta kalmak için, bilgi tabanının (veya şemsiye terimi sembolik yaklaşımın) yönü nerede? Mı Wolfram'ın benzeri z dinamik bilgi tabanı yeni yön? Yoksa yeni bir yön var mı?

Temel bir şeyi mi yoksa bu sorunları ele alan bazı fikirleri mi kaçırıyorum?

Her şeyden önce, özellikle temel odak "Veri Bilimi" değil "AI" olduğunda, bilgi tabanı ve (Derin) makine öğrenimi arasındaki temel farklılıklara dikkat çekmek istiyorum:

• NN'ler kara kutu gibidir; Bir veri kümesini öğrenip sorunlu etki alanı üzerinde genelleme gücü kazansalar bile, nasıl çalıştıklarını asla bilemezsiniz. geliştirilen modelin ayrıntılarını incelerseniz, gördüğünüz tek şey rakamlar, ağırlıklar, zayıf ve güçlü bağlantılar ve dönüştürme işlevleridir. eğitim aşamasından önceki "özellik çıkarma" adımı tam anlamıyla size şunu söyler: "hey insan, karmaşık dünyanızla yeteri kadar sıfır ve bir tane başlayalım". DL durumunda, daha kötü! seçilen ve etkili özelliklerin ne olduğunu bile görmüyoruz. Ben bir DL uzmanı değilim ama bildiğim kadarıyla DL'nin kara kutusu daha karanlık! Ancak bilgi tabanları insan dostu bir dilde yazılmıştır. bir bilgi birikimi aşamasından sonra, varlıklar arasındaki tüm bağlantıları görebiliyordunuz ve daha da önemlisi, bu bağlantıları yorumlayabilirsiniz. bir bilgi tabanında bir tel keserseniz, modeliniz gücünün sadece bir kısmını kaybedecek ve tam olarak ne kaybedeceğini biliyorsunuz; örneğin "Pluto" düğümünün "güneş sistemi" düğümünden ayrılması, modelinize deGrasse Tyson'ın bize söylediklerini söyleyecektir. ancak bir ML modelinde, bu saf bir işe yaramaz hale dönüşebilir: hangi gezegenlerin güneş sistemine ait olduğunu tahmin etmek için kullanılan bir NN modelinde 14 ve 47 numaralı nöron arasındaki bağlantıyı manipüle ederseniz ne olur ?!

• ML modelleri sadece verilerin bir yazıtıdır. Çıkarım gücüne sahip değiller ve size bir güç vermiyorlar. bilgi tabanı ise, sorunuzda belirttiğiniz gibi önceki bilgilerden çıkarım yapabilir. Görüntü sınıflandırma verileri ile eğitilmiş DL modellerinin ses algılama problemine de uygulanabileceği gösterilmiştir. Ancak bu, DL modellerinin görüntü alanındaki önceki bilgilerini ses alanına uygulayabileceği anlamına gelmez.

• Geleneksel ML algoritmaları için kilo verilere ve DL olanlar için tonlarca verilere ihtiyacınız var. ancak veri kümesinin tek bir örneği sizin için anlamlı bir bilgi tabanı oluşturur.

NLP'de iki ana araştırma konusu vardır: makine çevirisi ve soru cevaplama. Pratikte DL'in makine çevirisi problemleriyle önemli ölçüde çalıştığı ancak özellikle insan-makine görüşmesinde kapsanan konuların alanı geniş olduğunda soru cevaplama konusunda aptalca davrandığı gösterilmiştir. Bilgi tabanları makine çevirisi için iyi bir seçim değildir, ancak muhtemelen asil bir soru cevaplama makinesinin anahtarıdır. Makine çevirisinde önemli olan bir metnin sadece çevrilmiş hali olduğundan (ve makineyi gerçekte bu kadar iyi yapmıştır) ama soru cevaplama probleminde, ona verdiğim aynı bilgiyi tekrarlıyor, ama bana "elma bir meyvedir" ve "elma bir meyvedir"