Dlaczego przyszłość sztucznej inteligencji w technologii hybrydowej?

W ciągu ostatnich kilku tygodni zalew nowych produktów i możliwości generatywnej sztucznej inteligencji – od ChatGPT po Bard i liczne odmiany innych, zbudowanych wokół dużych modeli językowych (LLM) – stworzył nadmierny cykl szumu. Jednak wielu twierdzi, że te uogólnione modele nie nadają się do użytku w przedsiębiorstwach. Większość silników AI wykazuje oznaki problemów przy przydzielaniu zadań niszowych lub specyficznych dla domeny. Czy hybrydowa sztuczna inteligencja może być rozwiązaniem?

Co rozumiemy przez hybrydową sztuczną inteligencję (hybrydową sztuczną inteligencję)

Hybrydowa sztuczna inteligencja to rozszerzanie lub ulepszanie modeli sztucznej inteligencji przy użyciu uczenia maszynowego, głębokiego uczenia się i sieci neuronowych wraz z wiedzą specjalistyczną dotyczącą zagadnień ludzkich w celu opracowania modeli sztucznej inteligencji dostosowanych do konkretnych przypadków użycia z największą dokładnością lub potencjałem przewidywania.

Rozwój hybrydowej sztucznej inteligencji rozwiązuje wiele istotnych i uzasadnionych problemów. Aby uzyskać maksymalne korzyści lub wytworzyć rzeczywistą wartość, w wielu scenariuszach lub domenach wymagane jest coś więcej niż tylko modele sztucznej inteligencji zbudowane na dużych zbiorach danych. Rozważmy na przykład prośbę ChatGPT o napisanie długiego i szczegółowego raportu ekonomicznego.

Przyjęcie lub udoskonalenie modelu wiedzą specyficzną dla danej dziedziny może być najskuteczniejszym sposobem osiągnięcia wysokiego prawdopodobieństwa prognozowania. Aby to osiągnąć, hybrydowa sztuczna inteligencja łączy najlepsze aspekty sieci neuronowych (wzorce i elementy tworzące połączenia) z symboliczną sztuczną inteligencją (źródła faktów i danych).

Symboliczna sztuczna inteligencja: kluczowa część hybrydowej sztucznej inteligencji

Dzisiejsze LLM mają kilka wad, w tym niewystarczającą wydajność w zadaniach matematycznych, skłonność do wymyślania danych i brak określenia, w jaki sposób model daje wyniki. Wszystkie te problemy są typowe dla „konekcjonistycznych” sieci neuronowych, które zależą od wyobrażeń o działaniu ludzkiego mózgu.

Zagadnienia te są typowe dla „konekcjonistycznych” sieci neuronowych, które zależą od koncepcji działania ludzkiego mózgu.

Klasyczna sztuczna inteligencja jest również nazywana symboliczną sztuczną inteligencją. Próbuje jasno wyrazić ludzką wiedzę w formie deklaratywnej, takiej jak reguły i fakty interpretowane na podstawie danych wejściowych „symbolicznych”. Jest to gałąź sztucznej inteligencji, która próbuje łączyć fakty i zdarzenia za pomocą logicznych reguł.

Od połowy lat pięćdziesiątych do końca lat osiemdziesiątych XX wieku badania nad symboliczną sztuczną inteligencją charakteryzowały się znaczną aktywnością.

W latach sześćdziesiątych i siedemdziesiątych postęp technologiczny zainspirował badaczy do zbadania związku między maszynami a naturą. Wierzyli, że techniki symboliczne ostatecznie doprowadzą do powstania inteligentnej maszyny, co było postrzegane jako długoterminowy cel ich dyscypliny.

W tym kontekście John Haugeland w swojej książce z 1985 r. Sztuczna inteligencja: sama idea ukuł „starą, dobrą sztuczną inteligencję” lub „GOFAI”.

Metoda GOFAI najlepiej nadaje się do zagadnień obojętnych i jest daleka od naturalnego dopasowania do problemów dynamicznych w czasie rzeczywistym. Opowiada się za ograniczoną definicją intelektu jako abstrakcyjnego rozumowania, podczas gdy sztuczne sieci neuronowe traktują priorytetowo rozpoznawanie wzorców. W rezultacie ta ostatnia metoda „konekcjonistyczna”, czyli niesymboliczna, zyskała ostatnio na znaczeniu.

Jak działa niesymboliczna sztuczna inteligencja?

Genezą niesymbolicznej sztucznej inteligencji jest próba symulacji ludzkiego mózgu i jego rozbudowanej sieci połączeń neuronowych.

Aby znaleźć rozwiązania problemów, niesymboliczne systemy sztucznej inteligencji powstrzymują się od manipulowania reprezentacją symboliczną. Zamiast tego przeprowadzają obliczenia w oparciu o zasady, które empirycznie udowodniły, że rozwiązują problemy, bez uprzedniego dokładnego zrozumienia, jak znaleźć rozwiązanie.

Sieci neuronowe i głębokie uczenie się to dwa przykłady niesymbolicznej sztucznej inteligencji. Niesymboliczna sztuczna inteligencja jest również znana jako „konekcjonistyczna sztuczna inteligencja”. Kilka współczesnych aplikacji sztucznej inteligencji opiera się na tej metodologii, w tym automatyczny silnik przejścia Google (który wyszukuje wzorce) i program rozpoznawania twarzy Facebooka.

Wejdź do hybrydowej sztucznej inteligencji

W kontekście hybrydowej sztucznej inteligencji symboliczna sztuczna inteligencja służy jako „dostawca” niesymbolicznej sztucznej inteligencji, która zajmuje się rzeczywistym zadaniem. Symboliczna sztuczna inteligencja oferuje istotne dane szkoleniowe z tego punktu widzenia niesymbolicznej sztucznej inteligencji. Z kolei informacje przekazywane przez symboliczną sztuczną inteligencję są zasilane przez istoty ludzkie – tj. weteranów branży, ekspertów merytorycznych, wykwalifikowanych pracowników i osoby posiadające niezakodowaną wiedzę plemienną.

Wyszukiwania w Internecie są popularnym zastosowaniem hybrydowej sztucznej inteligencji. Jeśli użytkownik wprowadzi „1 GBP na USD”, wyszukiwarka wykryje wyzwanie związane z przeliczeniem waluty (symboliczna sztuczna inteligencja). Wykorzystuje widżet do przeprowadzenia konwersji przed wykorzystaniem uczenia maszynowego do pobierania, pozycjonowania i wyświetlania wyników internetowych (niesymboliczna sztuczna inteligencja). Jest to podstawowy przykład, ale ilustruje, jak hybrydowa sztuczna inteligencja będzie działać, jeśli zostanie zastosowana do bardziej złożonych problemów.

Według Davida Coxa, dyrektora MIT-IBM Watson AI Lab, głębokie uczenie się i sieci neuronowe prosperują wśród „bałaganu świata”, podczas gdy symboliczna sztuczna inteligencja nie. Jak jednak wspomniano wcześniej, zarówno sieci neuronowe, jak i głębokie uczenie się mają ograniczenia. Ponadto są podatne na wrogie instancje, zwane danymi kontradyktoryjnymi, które mogą wpływać na zachowanie modelu sztucznej inteligencji w nieprzewidywalny i potencjalnie szkodliwy sposób.

Jednak w połączeniu symboliczna sztuczna inteligencja i sieci neuronowe mogą stworzyć solidną podstawę dla rozwoju sztucznej inteligencji w przedsiębiorstwie.

Dlaczego warto używać hybrydowej sztucznej inteligencji w środowiskach korporacyjnych?

Problemy biznesowe z niewystarczającą ilością danych do szkolenia rozległej sieci neuronowej lub gdy standardowe uczenie maszynowe nie jest w stanie poradzić sobie ze wszystkimi ekstremalnymi przypadkami, są idealnymi kandydatami do wdrożenia hybrydowej sztucznej inteligencji. Gdy rozwiązanie sieci neuronowej może powodować dyskryminację, brak pełnego ujawnienia informacji lub obawy związane z nadmiernym dopasowaniem, pomocna może być hybrydowa sztuczna inteligencja (tj. szkolenie na tak dużej ilości danych, z którą sztuczna inteligencja ma trudności w rzeczywistych scenariuszach).

Doskonałym przykładem jest inicjatywa w zakresie sztucznej inteligencji Fast Data Science, firmy konsultingowej zajmującej się sztuczną inteligencją. Celem jest ocena potencjalnych zagrożeń związanych z badaniem klinicznym.

Użytkownik przesyła na platformę dokument PDF zawierający szczegółowy plan przeprowadzenia badania klinicznego. Model uczenia maszynowego może zidentyfikować istotne cechy badania, takie jak lokalizacja, czas trwania, numer przedmiotu i zmienne statystyczne. Dane wyjściowe modelu uczenia maszynowego zostaną włączone do ręcznie utworzonego modelu ryzyka. Ten symboliczny model przekształca te parametry w wartość ryzyka, która następnie pojawia się jako sygnalizacja świetlna sygnalizująca użytkownikowi wysokie, średnie lub niskie ryzyko.

Ludzka inteligencja jest niezbędna do określenia rozsądnej i logicznej reguły konwertowania danych protokołu na wartość ryzyka.

Drugą ilustracją jest wyszukiwarka Google. Jest to wyrafinowany, wszechstronny system sztucznej inteligencji składający się z rewolucyjnych narzędzi głębokiego uczenia się, takich jak transformatory, i mechanizmów manipulacji symbolami, takich jak wykres wiedzy.

Jakie są wyzwania?

Żadna technika ani kombinacja technik nie rozwiązuje każdego problemu równie dobrze; dlatego konieczne jest zrozumienie ich możliwości i ograniczeń. Hybrydowa sztuczna inteligencja nie jest magiczną kulą, a zarówno symboliczna, jak i niesymboliczna sztuczna inteligencja nadal będą same w sobie potężnymi technologiami. Kolejną przeszkodą jest fakt, że fachowe zrozumienie i kontekst życia codziennego rzadko można odczytać maszynowo. Kodowanie wiedzy ludzkiej w zbiorach danych szkoleniowych AI wiąże się z kolejnym problemem.

Większość organizacji nie w pełni zdaje sobie sprawę z barier poznawczych, obliczeniowych, emisji dwutlenku węgla i finansowych, które powstają w wyniku umieszczenia złożonej mieszaniny naszych światów w kontekście zrozumiałym dla sztucznej inteligencji. Dlatego harmonogram wdrożenia sztucznej inteligencji w jakikolwiek znaczący sposób może zająć znacznie więcej czasu, niż oczekiwano.

Droga naprzód

Inicjatywy związane ze sztuczną inteligencją są notorycznie problematyczne; tylko 1 na 10 projektów pilotażowych i prototypów prowadzi do znaczących wyników w produkcji.

Postępowe firmy są już świadome ograniczeń jednomodowych modeli sztucznej inteligencji. Doskonale zdają sobie sprawę, że technologia musi być wszechstronna, zdolna do głębszego wnikania w przechowywane dane, tańsza i znacznie łatwiejsza w użyciu.

Hybrydowa sztuczna inteligencja zapewnia rozwiązania niektórych z tych problemów, choć nie wszystkich. Ponieważ integruje symboliczną sztuczną inteligencję i uczenie maszynowe, może efektywnie wykorzystywać zalety każdego podejścia, zachowując jednocześnie łatwość wyjaśnienia, co jest niezbędne w branżach takich jak finanse i opieka zdrowotna.

ML może koncentrować się na konkretnych elementach problemu, w przypadku których wyjaśnienie nie ma znaczenia, podczas gdy symboliczna sztuczna inteligencja będzie podejmować decyzje przy użyciu przejrzystej i łatwo zrozumiałej ścieżki. Z biegiem lat hybrydowe podejście do sztucznej inteligencji będzie coraz bardziej powszechne.