ทำไมอนาคตของปัญญาประดิษฐ์ในไฮบริด?

ในช่วงหลายสัปดาห์ที่ผ่านมา ความพลุกพล่านของผลิตภัณฑ์ AI และความสามารถใหม่ๆ ตั้งแต่ ChatGPT ไปจนถึง Bard และรูปแบบต่างๆ มากมายจากผลิตภัณฑ์อื่นๆ ที่สร้างขึ้นโดยใช้โมเดลภาษาขนาดใหญ่ (LLM) ได้สร้างวงจรกระแสเกินจริง อย่างไรก็ตาม หลายคนแย้งว่าโมเดลทั่วไปเหล่านี้ไม่เหมาะสมสำหรับการใช้งานในองค์กร กลไก AI ส่วนใหญ่แสดงสัญญาณของการดิ้นรนเมื่อได้รับมอบหมายงานเฉพาะหรือเฉพาะโดเมน Hybrid AI อาจเป็นคำตอบได้หรือไม่?

เราหมายถึงอะไรโดยปัญญาประดิษฐ์แบบไฮบริด (Hybrid AI)

Hybrid AI คือการขยายหรือการเพิ่มประสิทธิภาพโมเดล AI โดยใช้การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และโครงข่ายประสาทเทียม ควบคู่ไปกับความเชี่ยวชาญในเนื้อหาของมนุษย์ เพื่อพัฒนาโมเดล AI เฉพาะกรณีการใช้งานด้วยความแม่นยำหรือศักยภาพสูงสุดสำหรับการคาดการณ์

การเพิ่มขึ้นของ AI แบบไฮบริดช่วยแก้ปัญหาข้อกังวลที่สำคัญและถูกต้องตามกฎหมายหลายประการ จำเป็นต้องใช้โมเดล AI มากกว่าที่สร้างขึ้นบนชุดข้อมูลขนาดใหญ่ในสถานการณ์หรือโดเมนจำนวนมากเพื่อประโยชน์สูงสุดหรือการสร้างมูลค่าที่แท้จริง ตัวอย่างเช่น พิจารณาว่า ChatGPT ถูกขอให้เขียนรายงานเศรษฐกิจที่ยาวและมีรายละเอียด

การนำหรือปรับปรุงแบบจำลองด้วยความรู้เฉพาะโดเมนอาจเป็นวิธีที่มีประสิทธิภาพมากที่สุดในการเข้าถึงความน่าจะเป็นในการคาดการณ์สูง AI แบบไฮบริดผสมผสานแง่มุมที่ดีที่สุดของโครงข่ายประสาทเทียม (รูปแบบและรูปแบบการเชื่อมต่อ) และ AI เชิงสัญลักษณ์ (ที่มาของข้อเท็จจริงและข้อมูล) เพื่อให้บรรลุเป้าหมายนี้

Symbolic AI: ส่วนสำคัญของ Hybrid AI

LLM ในปัจจุบันมีข้อบกพร่องหลายประการ รวมถึงประสิทธิภาพที่ไม่เพียงพอในงานทางคณิตศาสตร์ แนวโน้มในการประดิษฐ์ข้อมูล และความล้มเหลวในการระบุว่าโมเดลให้ผลลัพธ์อย่างไร ปัญหาทั้งหมดนี้เป็นเรื่องปกติของโครงข่ายประสาทเทียม "connectionist" ซึ่งขึ้นอยู่กับแนวคิดว่าสมองของมนุษย์ทำงานอย่างไร

ปัญหาเหล่านี้เป็นเรื่องปกติของโครงข่ายประสาทเทียม "connectionist" ซึ่งขึ้นอยู่กับแนวคิดเกี่ยวกับการทำงานของสมองมนุษย์

AI แบบคลาสสิกเรียกอีกอย่างว่า AI เชิงสัญลักษณ์ พยายามแสดงความรู้ของมนุษย์อย่างชัดเจนในรูปแบบที่เปิดเผย เช่น กฎเกณฑ์และข้อเท็จจริงที่ตีความจากอินพุต "สัญลักษณ์" เป็นสาขาหนึ่งของ AI ที่พยายามเชื่อมโยงข้อเท็จจริงและเหตุการณ์โดยใช้กฎเชิงตรรกะ

ตั้งแต่กลางทศวรรษ 1950 จนถึงปลายทศวรรษ 1980 การศึกษา AI เชิงสัญลักษณ์มีกิจกรรมมากมาย

ในทศวรรษที่ 1960 และ 1970 ความก้าวหน้าทางเทคโนโลยีเป็นแรงบันดาลใจให้นักวิจัยตรวจสอบความสัมพันธ์ระหว่างเครื่องจักรกับธรรมชาติ พวกเขาเชื่อว่าในที่สุดเทคนิคเชิงสัญลักษณ์จะส่งผลให้เกิดเครื่องจักรอันชาญฉลาด ซึ่งถูกมองว่าเป็นเป้าหมายระยะยาวของวินัยของพวกเขา

ในบริบทนี้ John Haugeland ได้บัญญัติศัพท์ "ปัญญาประดิษฐ์สมัยเก่าที่ดี" หรือ "GOFAI" ในหนังสือ Artificial Intelligence: The Very Idea เมื่อปี 1985

วิธี GOFAI เหมาะที่สุดสำหรับปัญหาเฉื่อยและยังห่างไกลจากการจับคู่ตามธรรมชาติสำหรับปัญหาไดนามิกแบบเรียลไทม์ โดยชอบคำจำกัดความที่จำกัดของสติปัญญาว่าเป็นการให้เหตุผลเชิงนามธรรม ในขณะที่โครงข่ายประสาทเทียมจะจัดลำดับความสำคัญของการจดจำรูปแบบ ดังนั้นวิธีหลัง "connectionist" หรือวิธีที่ไม่ใช่สัญลักษณ์จึงได้รับความโดดเด่นเมื่อเร็ว ๆ นี้

AI ที่ไม่ใช่สัญลักษณ์ทำงานอย่างไร

ต้นกำเนิดของปัญญาประดิษฐ์ที่ไม่ใช่เชิงสัญลักษณ์คือความพยายามที่จะจำลองสมองของมนุษย์และการเชื่อมโยงประสาทที่ซับซ้อน

เพื่อค้นหาวิธีแก้ไขปัญหา ระบบ AI ที่ไม่ใช่สัญลักษณ์จะละเว้นจากการจัดการการแสดงสัญลักษณ์ แต่พวกเขาดำเนินการคำนวณตามหลักการที่ได้รับการพิสูจน์เชิงประจักษ์แล้วว่าสามารถแก้ไขปัญหาได้โดยไม่ต้องเข้าใจอย่างแม่นยำก่อนว่าจะหาวิธีแก้ปัญหาได้อย่างไร

โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึกเป็นสองตัวอย่างของ AI ที่ไม่ใช่สัญลักษณ์ AI ที่ไม่ใช่สัญลักษณ์เรียกอีกอย่างว่า "connectionist AI" แอปปัญญาประดิษฐ์ในปัจจุบันหลายแอปใช้วิธีการนี้ รวมถึงกลไกการเปลี่ยนแปลงอัตโนมัติของ Google (ซึ่งค้นหารูปแบบ) และโปรแกรมจดจำใบหน้าของ Facebook

เข้าสู่ AI ไฮบริด

ในบริบทของปัญญาประดิษฐ์แบบไฮบริด AI สัญลักษณ์ทำหน้าที่เป็น "ซัพพลายเออร์" ให้กับ AI ที่ไม่ใช่สัญลักษณ์ ซึ่งทำหน้าที่จัดการงานจริง Symbolic AI นำเสนอข้อมูลการฝึกอบรมที่เกี่ยวข้องจากจุดชมวิวนี้ไปยัง AI ที่ไม่ใช่สัญลักษณ์ ในทางกลับกัน ข้อมูลที่ถ่ายทอดโดย AI สัญลักษณ์นั้นขับเคลื่อนโดยมนุษย์ เช่น ทหารผ่านศึกในอุตสาหกรรม ผู้เชี่ยวชาญเฉพาะด้าน แรงงานที่มีทักษะ และผู้ที่มีความรู้เกี่ยวกับชนเผ่าที่ไม่ได้เข้ารหัส

การค้นหาเว็บเป็นการใช้งาน AI แบบไฮบริดที่ได้รับความนิยม หากผู้ใช้ป้อน “1 GBP เป็น USD” เสิร์ชเอ็นจิ้นตรวจพบความท้าทายในการแปลงสกุลเงิน (AI สัญลักษณ์) ใช้วิดเจ็ตเพื่อทำการแปลงก่อนที่จะใช้การเรียนรู้ของเครื่องเพื่อดึงข้อมูล วางตำแหน่ง และแสดงผลลัพธ์บนเว็บ (AI ที่ไม่ใช่สัญลักษณ์) นี่เป็นตัวอย่างพื้นฐาน แต่จะแสดงให้เห็นว่า AI แบบไฮบริดจะทำงานอย่างไรหากนำไปใช้กับปัญหาที่ซับซ้อนมากขึ้น

ตามที่ David Cox ผู้อำนวยการของ MIT-IBM Watson AI Lab กล่าวไว้ การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมเจริญเติบโตได้ท่ามกลาง "ความยุ่งเหยิงของโลก" ในขณะที่ AI เชิงสัญลักษณ์กลับไม่เป็นเช่นนั้น ดังที่ได้กล่าวไปแล้ว ทั้งโครงข่ายประสาทเทียมและการเรียนรู้เชิงลึกต่างก็มีข้อจำกัด นอกจากนี้ ยังเสี่ยงต่ออินสแตนซ์ที่ไม่เป็นมิตร ซึ่งเรียกว่าข้อมูลที่ขัดแย้งกัน ซึ่งอาจส่งผลต่อพฤติกรรมของโมเดล AI ในลักษณะที่คาดเดาไม่ได้และอาจสร้างความเสียหายได้

อย่างไรก็ตาม เมื่อรวมกันแล้ว AI สัญลักษณ์และโครงข่ายประสาทเทียมจะสามารถสร้างรากฐานที่มั่นคงสำหรับการพัฒนา AI ขององค์กรได้

เหตุใดจึงใช้ Hybrid AI ในสภาพแวดล้อมองค์กร

ปัญหาทางธุรกิจที่มีข้อมูลไม่เพียงพอสำหรับการฝึกอบรมโครงข่ายประสาทเทียมที่กว้างขวาง หรือในกรณีที่การเรียนรู้ของเครื่องมาตรฐานไม่สามารถจัดการกับกรณีที่รุนแรงได้ทั้งหมด เป็นตัวเลือกที่สมบูรณ์แบบสำหรับการนำ AI แบบไฮบริดไปใช้ เมื่อโซลูชันโครงข่ายประสาทเทียมอาจทำให้เกิดการเลือกปฏิบัติ ขาดการเปิดเผยข้อมูลอย่างครบถ้วน หรือข้อกังวลที่เกี่ยวข้องกับการติดตั้งมากเกินไป AI แบบไฮบริดอาจมีประโยชน์ (เช่น การฝึกอบรมเกี่ยวกับข้อมูลจำนวนมากที่ AI ต้องดิ้นรนในสถานการณ์ในโลกแห่งความเป็นจริง)

ตัวอย่างที่สำคัญคือโครงการริเริ่มด้าน AI โดย Fast Data Science ซึ่งเป็นบริษัทที่ปรึกษาด้าน AI วัตถุประสงค์คือเพื่อประเมินอันตรายที่อาจเกิดขึ้นจากการทดลองทางคลินิก

ผู้ใช้ส่งเอกสาร PDF ที่มีรายละเอียดแผนการดำเนินการทดลองทางคลินิกไปยังแพลตฟอร์ม โมเดลการเรียนรู้ของเครื่องสามารถระบุคุณลักษณะการทดลองที่สำคัญ เช่น สถานที่ ระยะเวลา จำนวนวิชา และตัวแปรทางสถิติ ผลลัพธ์ของโมเดลการเรียนรู้ของเครื่องจะถูกรวมเข้ากับโมเดลความเสี่ยงที่สร้างขึ้นด้วยตนเอง โมเดลเชิงสัญลักษณ์นี้จะแปลงพารามิเตอร์เหล่านี้เป็นค่าความเสี่ยง ซึ่งจากนั้นจะปรากฏเป็นสัญญาณไฟจราจรที่ส่งสัญญาณความเสี่ยงสูง ปานกลาง หรือต่ำให้กับผู้ใช้

ความฉลาดของมนุษย์ถือเป็นสิ่งสำคัญในการระบุกฎที่สมเหตุสมผลและสมเหตุสมผลสำหรับการแปลงข้อมูลโปรโตคอลให้เป็นค่าความเสี่ยง

ภาพประกอบที่สองคือเครื่องมือค้นหาของ Google มันเป็นระบบ AI ที่ซับซ้อนและครอบคลุมทุกอย่าง ซึ่งประกอบด้วยเครื่องมือการเรียนรู้เชิงลึกที่ปฏิวัติวงการ เช่น หม้อแปลงไฟฟ้า และกลไกการจัดการสัญลักษณ์ เช่น กราฟความรู้

ความท้าทายคืออะไร?

ไม่มีเทคนิคหรือการผสมผสานเทคนิคใดที่สามารถแก้ปัญหาทุกปัญหาได้ดีเท่าๆ กัน ดังนั้นจึงจำเป็นต้องเข้าใจความสามารถและข้อจำกัดของพวกเขา AI แบบไฮบริดไม่ใช่สัญลักษณ์วิเศษ และ AI ทั้งแบบสัญลักษณ์และไม่ใช่สัญลักษณ์จะยังคงเป็นเทคโนโลยีที่ทรงพลังต่อไป ความจริงที่ว่าความเข้าใจของผู้เชี่ยวชาญและบริบทจากชีวิตประจำวันแทบจะไม่สามารถอ่านด้วยเครื่องได้ถือเป็นอุปสรรคอีกประการหนึ่ง การเขียนโค้ดความเชี่ยวชาญของมนุษย์ลงในชุดข้อมูลการฝึกอบรม AI ทำให้เกิดอีกประเด็นหนึ่ง

องค์กรส่วนใหญ่ล้มเหลวในการรับรู้อย่างเต็มที่ถึงอุปสรรคด้านความรู้ความเข้าใจ การคำนวณ การปล่อยคาร์บอน และทางการเงินที่เกิดขึ้นจากการวางความสับสนวุ่นวายของโลกที่เราอาศัยอยู่ให้อยู่ในบริบทที่ AI สามารถเข้าใจได้ ดังนั้นไทม์ไลน์สำหรับการนำ AI ไปใช้ในทางที่มีความหมายอาจใช้เวลานานกว่าที่คาดไว้มาก

ทางข้างหน้า

ความคิดริเริ่มด้าน AI เป็นปัญหาที่ฉาวโฉ่ นักบินและต้นแบบเพียง 1 ใน 10 เท่านั้นที่นำไปสู่ผลลัพธ์ที่สำคัญในการผลิต

ธุรกิจที่ก้าวหน้าได้ตระหนักถึงขีดจำกัดของโมเดล AI โหมดเดียวแล้ว พวกเขาตระหนักดีถึงความจำเป็นที่เทคโนโลยีจะต้องมีความหลากหลาย สามารถเจาะลึกเข้าไปในข้อมูลที่เก็บไว้ มีราคาถูกลง และใช้งานง่ายกว่ามาก

Hybrid AI มอบวิธีแก้ไขปัญหาเหล่านี้บางส่วน แม้ว่าจะไม่ใช่ทั้งหมดก็ตาม เนื่องจากบูรณาการ AI และ ML เชิงสัญลักษณ์เข้าด้วยกัน จึงสามารถใช้ข้อดีของแต่ละแนวทางได้อย่างมีประสิทธิภาพในขณะที่ยังคงอธิบายได้ ซึ่งมีความสำคัญสำหรับอุตสาหกรรมต่างๆ เช่น การเงินและการดูแลสุขภาพ

ML อาจมุ่งเน้นไปที่องค์ประกอบเฉพาะของปัญหาที่ความสามารถในการอธิบายไม่สำคัญ ในขณะที่ AI เชิงสัญลักษณ์จะมาถึงการตัดสินใจโดยใช้เส้นทางที่โปร่งใสและเข้าใจง่าย แนวทางแบบผสมผสานสำหรับ AI จะแพร่หลายมากขึ้นเรื่อยๆ เมื่อหลายปีผ่านไป