Почему будущее искусственного интеллекта в гибриде?

За последние несколько недель поток новых продуктов и возможностей генеративного ИИ — от ChatGPT до Bard и многочисленных вариаций других, построенных на основе больших языковых моделей (LLM), — вызвал чрезмерный цикл ажиотажа. Однако многие утверждают, что эти обобщенные модели непригодны для использования на предприятиях. Большинство механизмов искусственного интеллекта демонстрируют признаки трудностей при выполнении задач, специфичных для ниши или предметной области. Может ли гибридный ИИ стать ответом?

Что мы подразумеваем под гибридным искусственным интеллектом (гибридный искусственный интеллект)

Гибридный ИИ — это расширение или улучшение моделей ИИ с использованием машинного обучения, глубокого обучения и нейронных сетей наряду с человеческим опытом в предметной области для разработки моделей ИИ для конкретных случаев использования с максимальной точностью или потенциалом прогнозирования.

Появление гибридного искусственного интеллекта решает многие важные и законные проблемы. Во многих сценариях и областях для получения максимальной выгоды или создания реальной ценности требуется нечто большее, чем просто модели ИИ, построенные на больших наборах данных. Например, представьте, что ChatGPT просят написать длинный и подробный экономический отчет.

Принятие или улучшение модели с использованием знаний, специфичных для предметной области, может быть наиболее эффективным способом достижения высокой вероятности прогнозирования. Для достижения этой цели гибридный ИИ сочетает в себе лучшие аспекты нейронных сетей (шаблоны и формирователи связей) и символического ИИ (производители фактов и данных).

Символический ИИ: ключевая часть гибридного ИИ

Сегодняшние LLM имеют несколько недостатков, в том числе неадекватную производительность при решении математических задач, склонность изобретать данные и неспособность сформулировать, как модель дает результаты. Все эти проблемы типичны для «коннекционистских» нейронных сетей, которые зависят от представлений о том, как работает человеческий мозг.

Эти проблемы типичны для «коннекционистских» нейронных сетей, которые зависят от представлений о работе человеческого мозга.

Классический ИИ также называют символическим ИИ. Он пытается ясно выразить человеческие знания в декларативной форме, например, в виде правил и фактов, интерпретируемых на основе «символических» входных данных. Это отрасль искусственного интеллекта, которая пытается связывать факты и события с помощью логических правил.

С середины 1950-х до конца 1980-х годов исследования символического ИИ проявляли значительную активность.

В 1960-х и 1970-х годах технологические достижения вдохновили исследователей исследовать взаимосвязь между машинами и природой. Они верили, что символические методы в конечном итоге приведут к созданию разумной машины, что рассматривалось как долгосрочная цель их дисциплины.

В этом контексте Джон Хаугеланд в своей книге 1985 года «Искусственный интеллект: сама идея» придумал «старый добрый искусственный интеллект» или «GOFAI».

Метод GOFAI лучше всего подходит для решения инертных задач и далеко не подходит для решения динамических задач в реальном времени. Он выступает за ограниченное определение интеллекта как абстрактного рассуждения, тогда как искусственные нейронные сети отдают приоритет распознаванию образов. Следовательно, последний «коннекционистский» или несимволический метод в последнее время приобрел известность.

Как работает несимволический ИИ?

Возникновение несимволического искусственного интеллекта — это попытка смоделировать человеческий мозг и его сложную сеть нейронных связей.

Чтобы найти решения проблем, несимволические системы ИИ воздерживаются от манипулирования символическими представлениями. Вместо этого они проводят расчеты, основанные на принципах, которые, как было доказано эмпирически, решают проблемы, не понимая, как именно прийти к решению.

Нейронные сети и глубокое обучение — два примера несимволического ИИ. Несимволический ИИ также известен как «коннекционистский ИИ». Несколько современных приложений искусственного интеллекта основаны на этой методологии, в том числе механизм автоматического перехода Google (который ищет шаблоны) и программа распознавания лиц Facebook.

Введите гибридный ИИ

В контексте гибридного искусственного интеллекта символический ИИ выступает «поставщиком» несимволического ИИ, который решает реальную задачу. Символический ИИ предлагает соответствующие данные обучения с этой точки зрения для несимволического ИИ. В свою очередь, информация, передаваемая символическим ИИ, передается людьми – то есть ветеранами отрасли, экспертами в данной области, квалифицированными рабочими и людьми, обладающими незакодированными племенными знаниями.

Веб-поиск — популярное использование гибридного ИИ. Если пользователь вводит «1 фунт стерлингов в доллары США», поисковая система обнаруживает проблему конвертации валюты (символический искусственный интеллект). Он использует виджет для выполнения преобразования, прежде чем использовать машинное обучение для получения, позиционирования и отображения веб-результатов (несимвольный ИИ). Это фундаментальный пример, но он иллюстрирует, как будет работать гибридный ИИ, если его применить к более сложным проблемам.

По словам Дэвида Кокса, директора Лаборатории искусственного интеллекта Watson MIT-IBM, глубокое обучение и нейронные сети процветают среди «беспорядка мира», а символический ИИ — нет. Однако, как упоминалось ранее, как нейронные сети, так и глубокое обучение имеют ограничения. Кроме того, они восприимчивы к враждебным примерам, называемым состязательными данными, которые могут повлиять на поведение модели ИИ непредсказуемым и, возможно, разрушительным образом.

Однако в сочетании символический ИИ и нейронные сети могут создать прочную основу для разработки корпоративного ИИ.

Зачем использовать гибридный искусственный интеллект в корпоративных средах?

Бизнес-задачи, связанные с недостаточным количеством данных для обучения обширной нейронной сети или когда стандартное машинное обучение не может справиться со всеми крайними случаями, являются идеальными кандидатами для внедрения гибридного ИИ. Когда решение нейронной сети может вызвать дискриминацию, отсутствие полного раскрытия информации или проблемы, связанные с переоснащением, может оказаться полезным гибридный ИИ (т. е. обучение на таком большом количестве данных, что ИИ с трудом справляется с реальными сценариями).

Ярким примером является инициатива в области искусственного интеллекта, разработанная консалтинговой фирмой Fast Data Science. Целью является оценка потенциальных опасностей клинического исследования.

Пользователь отправляет на платформу PDF-документ с подробным описанием плана проведения клинического исследования. Модель машинного обучения может определять важные характеристики исследования, такие как место, продолжительность, количество субъектов и статистические переменные. Результаты модели машинного обучения будут включены в модель рисков, созданную вручную. Эта символическая модель преобразует эти параметры в значение риска, которое затем отображается в виде светофора, сигнализирующего пользователю о высоком, среднем или низком риске.

Человеческий интеллект необходим для определения разумного и логического правила преобразования данных протокола в значение риска.

Второй пример — поисковая система Google. Это сложная, всеобъемлющая система искусственного интеллекта, состоящая из революционных инструментов глубокого обучения, таких как преобразователи, и механизмов манипулирования символами, таких как граф знаний.

Каковы проблемы?

Никакая техника или комбинация техник не решают каждую проблему одинаково хорошо; поэтому необходимо понимать их возможности и ограничения. Гибридный ИИ — это не волшебное средство, и как символический, так и несимволический ИИ по-прежнему будут оставаться мощными технологиями сами по себе. Еще одним препятствием является тот факт, что экспертное понимание и контекст повседневной жизни редко доступны для машинного считывания. Кодирование человеческого опыта в наборы данных для обучения ИИ представляет еще одну проблему.

Большинство организаций не могут полностью осознать когнитивные, вычислительные, выбросы углекислого газа и финансовые барьеры, которые возникают в результате помещения сложного беспорядка наших живых миров в контекст, который может понять ИИ. Таким образом, сроки реализации ИИ каким-либо значимым образом могут занять гораздо больше времени, чем ожидалось.

Путь вперед

Инициативы в области ИИ, как известно, проблематичны; только 1 из 10 пилотных и опытных образцов приводит к значительным результатам в производстве.

Прогрессивные компании уже осознают ограничения одномодовых моделей искусственного интеллекта. Они остро осознают необходимость того, чтобы технология была универсальной, способной глубже анализировать хранимые данные, менее дорогой и гораздо более простой в использовании.

Гибридный ИИ предлагает решения некоторых из этих проблем, хотя и не всех. Поскольку он объединяет символический искусственный интеллект и машинное обучение, он может эффективно использовать преимущества каждого подхода, оставаясь при этом объяснимым, что жизненно важно для таких отраслей, как финансы и здравоохранение.

МО может сосредоточиться на конкретных элементах проблемы, где объяснимость не имеет значения, тогда как символический ИИ будет принимать решения, используя прозрачный и понятный путь. Гибридный подход к ИИ с годами будет становиться все более распространенным.