Символьный ИИ — ключ к мыслящим машинам

Речь о так называемом символьном ИИ, который умеет анализировать символы, а не просто массивы данных. Этим он напоминает биологический интеллект и способен выдавать более понятные для человека результаты. Чаще всего его используют в таким сферах как лингвистика для обработки высказываний на естественных языках и вычленения смысла сказанного. Однако символьный подход постепенно проникает и в сферу машинного обучения, где он позволяет ясно видеть структуру алгоритмов и открывает людям возможность понимать принимаемые решения. Символьный ИИ основан на последовательной логике «если-то», поэтому создаваемые им алгоритмы не выглядят как «черный ящик». То есть не являются системой ИИ, где входящие данные и принцип действия недоступны для наблюдения пользователям или другим заинтересованным лицам. Сейчас это является существенной проблемой при внедрении ИИ для решения важных задач. «Черные ящики» создают слишком много рисков для предприятий: непредвиденная проблема может подмочить репутацию компании, навредить бизнес-партнерам и потребителям или выдавать нестабильные результаты, причина которых будет неясной.  

Первые наработки в области символьного ИИ появились в 50-х годах прошлого века. Но к 90-м подход, основанный на чётких правилах, казался бесперспективным. Для исследователей было важнее получать результаты в области обработки сенсорных данных: звука и изображений. А для этого методы символьного ИИ плохо подходили. Сейчас перед ИИ всё чаще ставят задачи по управлению данными и подготовке аналитики, поэтому возможности логического мышления и обработки знаний вновь стали высоко цениться.

Многие исследователи символьного ИИ отталкиваются от биологических аналогий и строят модели наподобие мозга у животных и людей. Они предложили способ обработки информации и описания когнитивных процессов, похожий на существующий в природе. Основная идея заключается в том, что каждый нейрон либо отвечает на различие между определенными концептами, либо отличает два противоположных концепта. Другими словами, один тип нейронов проводит различие между «похоже на А» и «непохоже на А». А другой тип нейронов определяет: «больше похоже на А» или «больше похоже на Б». Эти нейроны затем объединяют в иерархические последовательности, которые интегрируют эти различия и способны делать сложные выводы. Такой способ организации модели ИИ основан на современном представлении об устройстве нервной системы в живых организмах. Уже сейчас символьный ИИ может находить новые алгоритмы для выполнения различных задач, о которых программисты даже и не догадывались. Также символьный ИИ не просто может определять вероятность наступления какого-либо события при определенных условиях, но и способен провести анализ определяющий факторов и определить, какие из них влияют на результат в большей, а какие — в меньшей степени.     

Из-за того, что символьный ИИ основан на логических правилах, он в меньшей степени меняет внутреннюю структуру модели, когда сталкивается с новыми данными. Благодаря этой особенности модели такого типа можно обучать быстрее и на меньшем наборе данных, а после запуска в работу они не требуют постоянного переобучения.

У такого подхода есть и недостатки. Символьный ИИ скован правилами, поэтому он не может улучшать себя с течением времени. А это — одно из главных преимуществ традиционных статистических моделей. Сейчас несколько компаний исследуют возможность совместить в одной модели оба подхода. Гибридные ИИ будут сочетать в себе лучшее из двух миров: гибкость чистого машинного обучения и возможность улучшать себя с прозрачностью создаваемых правил. Гибридные ИИ можно будет обучать, используя несколько разных подходов: как с участием человека, так и без него. В конечном итоге должны появится системы, которые смогут делать выводы, обучаться и вести осмысленный диалог с человеком. Уже сейчас подобные технологии начинают применяться в таких сложных сферах как предотвращение мошенничества, оптимизация цепочек поставок и социологические исследования.

Например, компания Stardog трудится над системой, которая совмещает в себе логический и статистический ИИ, чтобы анализировать данные и развивать их по категориям. То есть система категоризирует поступающие данные по степени важности для компании. Символьный ИИ играет ведущую роль в установлении правил, которые описывают данные, и делает обоснованные предположения о точности своих предсказаний. В конечном итоге такой подход позволит организациям решать практически любые проблемы, с которыми они могут столкнуться в цифровом пространстве, используя сильные стороны обоих подходов. 

Гибридные ИИ уже используются на производстве. В частности, в одной страховой компании символьные модели вычленяют численные коэффициенты риска на основании текстовых описаний происшествий с участием того или иного клиента. Система может понять из текста протокола, были ли пьян участник аварии и насколько агрессивная у него была манера вождения.

Еще один пример применения символьного ИИ — создание персонализированной ленты финансовых новостей, при формировании которой учитывается не просто наличие в тексте каких-то слов, но и смысл заметки.

Для организаций, которые с нетерпением ждут того дня, когда они смогут взаимодействовать с ИИ так же, как с человеком, символьный ИИ — это ключ к такому будущему. В конце концов, мы, люди, развивали мыслительные способности, сначала изучая как вещи и явления связаны между собой, а затем применяя эти закономерности к другим ситуациям. Символьный ИИ обучается практически так же. Объединение такой формы мышления с глубокими нейронными сетями формирует то, что исследователи называют нейросимвольным ИИ, который будет обучаться и развиваться, используя те же основные правила, что и мы.

Создав мыслящую машину похожую на человеческий разум, компании смогут сделать такие технологии доступными для всех сотрудников. И они будет применяться в реальных ситуациях, с которыми мы сталкиваемся каждый день.

Конечно, ИИ, каким бы по структуре он ни был, не сможет решить все наши проблемы, но способен избавить нас от самых раздражающих.