De ce viitorul inteligenței artificiale în hibrid?

În ultimele câteva săptămâni, aglomerația de noi produse și capabilități AI generative – de la ChatGPT la Bard și numeroase variații de la altele construite în jurul modelelor de limbaj mari (LLM) – a creat un ciclu de hype excesiv. Cu toate acestea, mulți susțin că aceste modele generalizate sunt nepotrivite pentru utilizarea întreprinderilor. Majoritatea motoarelor AI dau semne de dificultăți atunci când li se atribuie sarcini specifice de nișă sau domeniu. Ar putea AI hibrid să fie răspunsul?

Ce înțelegem prin inteligență artificială hibridă (IA hibridă)

IA hibridă este extinderea sau îmbunătățirea modelelor AI folosind învățarea automată, învățarea profundă și rețelele neuronale, alături de expertiza umană în materie, pentru a dezvolta modele AI specifice cazului de utilizare cu cea mai mare acuratețe sau potențial de predicție.

Creșterea IA hibridă abordează multe preocupări semnificative și legitime. Mai mult decât modelele AI construite pe seturi mari de date sunt necesare în numeroase scenarii sau domenii pentru beneficii maxime sau crearea de valoare reală. De exemplu, luați în considerare că ChatGPT i se cere să scrie un raport economic lung și detaliat.

Adoptarea sau îmbunătățirea modelului cu cunoștințe specifice domeniului poate fi cea mai eficientă modalitate de a atinge o probabilitate mare de prognoză. AI hibrid combină cele mai bune aspecte ale rețelelor neuronale (modele și formatorii de conexiuni) și AI simbolică (derivați de fapte și date) pentru a realiza acest lucru.

IA simbolică: o parte cheie a IA hibridă

LLM-urile de astăzi au mai multe defecte, inclusiv performanță inadecvată la sarcini matematice, tendința de a inventa date și eșecul de a articula modul în care modelul dă rezultate. Toate aceste probleme sunt tipice rețelelor neuronale „conecționiste”, care depind de noțiunile despre modul în care funcționează creierul uman.

Aceste probleme sunt tipice rețelelor neuronale „conecționiste”, care depind de noțiunile de funcționare a creierului uman.

IA clasică este denumită și IA simbolică. Încearcă să exprime clar cunoștințele umane într-o formă declarativă, cum ar fi reguli și fapte interpretate din intrări „simbol”. Este o ramură a AI care încearcă să conecteze fapte și evenimente folosind reguli logice.

De la mijlocul anilor 1950 până la sfârșitul anilor 1980, studiul AI simbolice a cunoscut o activitate considerabilă.

În anii 1960 și 1970, progresele tehnologice i-au inspirat pe cercetători să investigheze relația dintre mașini și natură. Ei credeau că tehnicile simbolice vor avea ca rezultat în cele din urmă o mașină inteligentă, care era văzută ca obiectivul pe termen lung al disciplinei lor.

În acest context, John Haugeland a inventat „inteligența artificială de modă veche” sau „GOFAI” în cartea sa din 1985 Artificial Intelligence: The Very Idea.

Metoda GOFAI este cea mai potrivită pentru problemele inerte și este departe de a fi o potrivire naturală pentru problemele dinamice în timp real. Ea favorizează o definiție restrânsă a intelectului ca raționament abstract, în timp ce rețelele neuronale artificiale acordă prioritate recunoașterii modelelor. În consecință, această din urmă metodă „conecționistă” sau non-simbolică a câștigat proeminență recent.

Cum funcționează AI non-simbolic?

Geneza inteligenței artificiale non-simbolice este încercarea de a simula creierul uman și rețeaua sa elaborată de conexiuni neuronale.

Pentru a descoperi soluții la probleme, sistemele AI non-simbolice se abțin de la manipularea unei reprezentări simbolice. În schimb, ei efectuează calcule bazate pe principii care s-au dovedit empiric că rezolvă probleme fără să înțeleagă mai întâi cum se ajunge la o soluție.

Rețelele neuronale și învățarea profundă sunt două exemple de IA non-simbolică. Inteligența artificială non-simbolică este cunoscută și sub denumirea de „IA conecționistă”, mai multe aplicații de inteligență artificială actuale se bazează pe această metodologie, inclusiv motorul de tranziție automatizat de la Google (care caută modele) și programul de recunoaștere a feței Facebook.

Introduceți AI hibrid

În contextul inteligenței artificiale hibride, AI simbolică servește ca „furnizor” pentru AI non-simbolice, care se ocupă de sarcina reală. AI simbolic oferă date de antrenament pertinente din acest punct de vedere la AI non-simbolic. La rândul lor, informațiile transmise de IA simbolică sunt alimentate de ființe umane – adică veterani din industrie, experți în domeniu, muncitori calificați și cei cu cunoștințe tribale necodificate.

Căutările pe web sunt o utilizare populară a IA hibridă. Dacă un utilizator introduce „1 GBP în USD”, motorul de căutare detectează o provocare de conversie valutară (AI simbolică). Folosește un widget pentru a efectua conversia înainte de a utiliza învățarea automată pentru a prelua, poziționa și afișa rezultate web (AI non-simbolică). Acesta este un exemplu fundamental, dar ilustrează cum ar funcționa IA hibridă dacă ar fi aplicată la probleme mai complexe.

Potrivit lui David Cox, directorul MIT-IBM Watson AI Lab, rețelele neuronale și de deep learning prosperă în mijlocul „dezordinea lumii”, în timp ce AI simbolică nu. După cum sa menționat anterior, totuși, atât rețelele neuronale, cât și învățarea profundă au limitări. În plus, aceștia sunt susceptibili la instanțe ostile, numite date adverse, care pot influența comportamentul unui model AI în moduri imprevizibile și posibil dăunătoare.

Cu toate acestea, atunci când sunt combinate, IA simbolică și rețelele neuronale pot stabili o bază solidă pentru dezvoltarea IA a întreprinderii.

De ce să folosiți IA hibridă în medii de întreprindere?

Problemele de afaceri cu date insuficiente pentru antrenarea unei rețele neuronale extinse sau în care învățarea automată standard nu poate face față tuturor cazurilor extreme sunt candidații perfecti pentru implementarea IA hibridă. Atunci când o soluție de rețea neuronală ar putea cauza discriminare, lipsa dezvăluirii complete sau preocupări legate de supraadaptare, AI hibrid poate fi utilă (adică, antrenarea pe atât de multe date încât AI se luptă în scenarii din lumea reală).

Un prim exemplu este o inițiativă AI a Fast Data Science, o firmă de consultanță AI. Obiectivul este de a evalua pericolele potențiale ale unui studiu clinic.

Utilizatorul trimite către platformă un document PDF care detaliază planul pentru efectuarea unui studiu clinic. Un model de învățare automată poate identifica caracteristici vitale ale procesului, cum ar fi locația, durata, numărul subiectului și variabilele statistice. Rezultatul modelului de învățare automată va fi încorporat într-un model de risc realizat manual. Acest model simbolic transformă acești parametri într-o valoare de risc, care apare apoi ca un semafor care semnalează risc ridicat, mediu sau scăzut pentru utilizator.

Inteligența umană este esențială pentru a specifica o regulă rezonabilă și logică pentru convertirea datelor de protocol într-o valoare de risc.

O a doua ilustrare este motorul de căutare Google. Este un sistem AI sofisticat, atotcuprinzător, compus din instrumente revoluționare de învățare profundă, cum ar fi transformatoare și mecanisme de manipulare a simbolurilor, cum ar fi graficul de cunoștințe.

Care sunt provocările?

Nicio tehnică sau combinație de tehnici nu rezolvă fiecare problemă la fel de bine; prin urmare, este necesar să le înțelegem capacitățile și limitările. Inteligența artificială hibridă nu este un glonț magic și atât IA simbolică, cât și cea non-simbolică vor continua să fie tehnologii puternice în sine. Faptul că înțelegerea expertă și contextul din viața de zi cu zi sunt rareori citibile de mașină este un alt impediment. Codarea expertizei umane în seturile de date de instruire AI prezintă o altă problemă.

Majoritatea organizațiilor nu reușesc să recunoască pe deplin barierele cognitive, computaționale, de producție de carbon și financiare care apar din plasarea amestecului complex al lumilor noastre trăite într-un context pe care AI îl poate înțelege. Prin urmare, termenul pentru implementarea AI în orice mod semnificativ poate dura mult mai mult decât se aștepta.

Calea de urmat

Inițiativele AI sunt notoriu problematice; doar 1 din 10 piloți și prototipuri duc la rezultate semnificative în producție.

Afacerile progresiste sunt deja conștiente de limitele modelelor AI cu un singur mod. Ei sunt foarte conștienți de necesitatea ca tehnologia să fie versatilă, capabilă să aprofundeze datele stocate, mai puțin costisitoare și mult mai ușor de utilizat.

Hybrid AI oferă soluții pentru unele dintre aceste probleme, deși nu pentru toate. Deoarece integrează AI și ML simbolice, poate folosi eficient avantajele fiecărei abordări, rămânând în același timp explicabil, ceea ce este vital pentru industrii precum finanțele și sănătatea.

ML se poate concentra pe elemente specifice ale unei probleme în care explicabilitatea nu contează, în timp ce AI simbolică va ajunge la decizii folosind o cale transparentă și ușor de înțeles. Abordarea hibridă a AI va deveni din ce în ce mai răspândită pe măsură ce anii trec.