Yapay zekaya sembolik ve sembolik olmayan yaklaşım arasındaki fark nedir?


cevap 1:

Kısacası, fark yapay zekanın bildiklerini nasıl "öğrendiği" ve referans aldığıdır.

Sembolik yaklaşım, bir yapay zekayı öğretmenin en iyi yolunun, onu bilmesi gereken şeylerle ilgili insan tarafından okunabilir bilgileri beslemektir. Bir doktorun yerine bir AI oluşturmak istiyorsanız, ona bir ton tıbbi ders kitabı beslersiniz ve bu ders kitaplarından gelen cevaplara bakarak soruları yanıtlar.

Sembolik olmayan yaklaşım, insan tabanlı bilgi formatlarının yapay zeka için her zaman en uygun olmadığını kabul eder ve yapay bilgiyi kendi örtük bilgilerini analiz edebileceği ve oluşturabileceği yapay zekaya beslemeyi teşvik eder.

Şimdi, bu aslında ne anlama geliyor?

Çok fazla atıldığım benzetme dil çevirisidir. Örneğin, bir odaya gizlenmiş ve sizin için metin çeviren bir adamın olduğunu düşünün. O odada, her dile ve dilden çeviri yapan binlerce ve binlerce öbek kitabı var.

İngilizceden Mandarin diline bir cümle çevirmek istiyorsunuz. İngilizce ifadenizi kapının altındaki bir nottaki odadaki adama gönderirsiniz ve o da Mandarin diline çevirmek ve biter bitmez cevabınızı çıkarmak anlamına gelir.

Bu benzetmede, eğer adam sembolik bir yapay zeka olsaydı, makalenize bakar ve İngilizce bir ifadeye sahip olduğunuzu görür ve Mandarin'e çevirmek ister. Çin kitap raflarına doğru yürür ve birkaç Mandarin konuşma kitabı alır, İngilizce ifadelerinize bakar ve Mandarin'deki eşdeğer ifadeleri not eder. Bir süre sonra, çevrilmiş kağıdı kapının altına geri kaydırır.

Sizin bakış açınıza göre, kapının arkasındaki adam Mandarin'i biliyor gibi görünüyor, ama aslında bilmiyor. Ancak, bu yaklaşım, en az kurulumla herhangi bir dile ve dilden çeviri yapmasına izin verir: sadece ifade kitaplarıyla dolu bir odayı doldurun ve gitmeye hazırsınız. Bu yaklaşımın dezavantajları, her çevirinin doğru bilgiyi elde etmek için birkaç adım atmasını gerektirmesi ve dilin gerçekte / dilden çevrildiğini bilmenin dolaylı bilgisi olmadan nihai çevirinin mutlaka% 100 doğru olmayabilir.

Öte yandan, kapının arkasındaki adam sembolik olmayan bir AI olsaydı, kapının altındaki kağıdı alır, İngilizceden Mandarin'ye çevirmek istediğinizi görür ve sadece çeviriyi yazıp hemen geri gönderirdi.

Buradaki büyük fark, yapay zekâya bağlamını (bu durumda tercüme edeceği ve tercüme edeceği dilleri) anlaması gerektiğini aslında öğretmiş olmanızdır. Yapay zekâya bu bilgiyi derinlemesine anlamasını öğretmek zaman ve çaba gerektirir, ancak daha sonra bildiği diller için daha hızlı ve daha doğru çeviriler sağlar. Sembolik olmayan yaklaşımların ölçeklendirilmesi daha uzun sürüyor (örneğin, bu adama çevirmek istediğiniz / dilediğiniz her yeni dili ve tercüme ettiği kavramları her dil arasında bağlayabilmesi için öğretmek), bunun yanı sıra sembolik de diller, bilgilerin mevcut olduğu herhangi bir dil için aynı genel çerçeveyi kullanabilir (doğru kitabı bulun ve kelime öbeklerini arayın).


cevap 2:

Yapay zekayı iki kampa sahip olarak düşünmeyi seviyorum.

'Bilgi zengini' olarak adlandırdığım biri, inşa edilen sistemdeki alanı hakkında mümkün olduğunca çok bilgiyi kodlar. Fikir, sadece zaten bildiğinizden biraz daha fazla olduğunda yeni bir şey öğrenmenizdir. Bu alan, Uzman Sistemler, Vaka tabanlı akıl yürütme, bazı doğal dil işleme vb.

Yapay zekanın bu dalında problem ve çok fazla alan bilgisi kullanılan algoritmalarda açıkça kodlanmıştır. Bu sembolik AI kampı.

http: //web.media.mit.edu/~minsky ...

Aksine, yapay zekanın 'bilgisiz' dalı, AI'yi uzmanlık bilgisine ihtiyaç duymadığını, sadece öğrenme yeteneğine ihtiyaç duyduğunu görür. Bu alan Genetik Algoritmalar, Sinir Ağları (YSA) ve karınca kolonisi ve diğer biyolojik olarak ilham alan teknikleri içerir.

Burada ana fikir, cevapların sorunlu etki alanını net bir şekilde temsil etmediği bir temsile sahip olmaktır. Örneğin YSA'da aranan bir dizi ağırlık vardır. Bu ağırlıkların, en azından öğrenme sürecine başladığımızda, öğrenmeye çalıştığımız şeylerle ya da üretmeye çalıştığımız cevaplarla hiçbir ilişkisi yoktur.

Bunların nasıl farklı olduğuna bir başka iyi örnek de doğal dil çevirisidir. Geleneksel bilgisayar dilbiliminde sistemlerimize çok fazla anlam ve semantik kodlarız. Sembolik olmayan AI sistemlerinde, çevrilmiş metinlerin büyük örneklerinde birlikte ortaya çıkma istatistikleri gibi bir şey kullanıyoruz. AB ve Kanada hükümet belgeleri gibi metinler.

RenderMatrix, Inc.


cevap 3:

Yapay zekayı iki kampa sahip olarak düşünmeyi seviyorum.

'Bilgi zengini' olarak adlandırdığım biri, inşa edilen sistemdeki alanı hakkında mümkün olduğunca çok bilgiyi kodlar. Fikir, sadece zaten bildiğinizden biraz daha fazla olduğunda yeni bir şey öğrenmenizdir. Bu alan, Uzman Sistemler, Vaka tabanlı akıl yürütme, bazı doğal dil işleme vb.

Yapay zekanın bu dalında problem ve çok fazla alan bilgisi kullanılan algoritmalarda açıkça kodlanmıştır. Bu sembolik AI kampı.

http: //web.media.mit.edu/~minsky ...

Aksine, yapay zekanın 'bilgisiz' dalı, AI'yi uzmanlık bilgisine ihtiyaç duymadığını, sadece öğrenme yeteneğine ihtiyaç duyduğunu görür. Bu alan Genetik Algoritmalar, Sinir Ağları (YSA) ve karınca kolonisi ve diğer biyolojik olarak ilham alan teknikleri içerir.

Burada ana fikir, cevapların sorunlu etki alanını net bir şekilde temsil etmediği bir temsile sahip olmaktır. Örneğin YSA'da aranan bir dizi ağırlık vardır. Bu ağırlıkların, en azından öğrenme sürecine başladığımızda, öğrenmeye çalıştığımız şeylerle ya da üretmeye çalıştığımız cevaplarla hiçbir ilişkisi yoktur.

Bunların nasıl farklı olduğuna bir başka iyi örnek de doğal dil çevirisidir. Geleneksel bilgisayar dilbiliminde sistemlerimize çok fazla anlam ve semantik kodlarız. Sembolik olmayan AI sistemlerinde, çevrilmiş metinlerin büyük örneklerinde birlikte ortaya çıkma istatistikleri gibi bir şey kullanıyoruz. AB ve Kanada hükümet belgeleri gibi metinler.

RenderMatrix, Inc.


cevap 4:

Yapay zekayı iki kampa sahip olarak düşünmeyi seviyorum.

'Bilgi zengini' olarak adlandırdığım biri, inşa edilen sistemdeki alanı hakkında mümkün olduğunca çok bilgiyi kodlar. Fikir, sadece zaten bildiğinizden biraz daha fazla olduğunda yeni bir şey öğrenmenizdir. Bu alan, Uzman Sistemler, Vaka tabanlı akıl yürütme, bazı doğal dil işleme vb.

Yapay zekanın bu dalında problem ve çok fazla alan bilgisi kullanılan algoritmalarda açıkça kodlanmıştır. Bu sembolik AI kampı.

http: //web.media.mit.edu/~minsky ...

Aksine, yapay zekanın 'bilgisiz' dalı, AI'yi uzmanlık bilgisine ihtiyaç duymadığını, sadece öğrenme yeteneğine ihtiyaç duyduğunu görür. Bu alan Genetik Algoritmalar, Sinir Ağları (YSA) ve karınca kolonisi ve diğer biyolojik olarak ilham alan teknikleri içerir.

Burada ana fikir, cevapların sorunlu etki alanını net bir şekilde temsil etmediği bir temsile sahip olmaktır. Örneğin YSA'da aranan bir dizi ağırlık vardır. Bu ağırlıkların, en azından öğrenme sürecine başladığımızda, öğrenmeye çalıştığımız şeylerle ya da üretmeye çalıştığımız cevaplarla hiçbir ilişkisi yoktur.

Bunların nasıl farklı olduğuna bir başka iyi örnek de doğal dil çevirisidir. Geleneksel bilgisayar dilbiliminde sistemlerimize çok fazla anlam ve semantik kodlarız. Sembolik olmayan AI sistemlerinde, çevrilmiş metinlerin büyük örneklerinde birlikte ortaya çıkma istatistikleri gibi bir şey kullanıyoruz. AB ve Kanada hükümet belgeleri gibi metinler.

RenderMatrix, Inc.