Heutzutage scheint künstliche Intelligenz fast gleichbedeutend mit maschinellem Lernen zu sein, insbesondere mit Tiefenlernen. Einige haben gesagt, dass Deep Learning menschliche Experten auf diesem Gebiet ersetzen wird, die traditionell für das Feature Engineering von großer Bedeutung sind. Es wird gesagt, dass zwei Durchbrüche den Aufstieg des tiefen Lernens untermauerten: einerseits die Neurowissenschaften und andererseits die Neuroplastizitätsagt uns insbesondere, dass wie das menschliche Gehirn, das hochplastisch ist, künstliche Netzwerke verwendet werden können, um fast alle Funktionen zu modellieren; Andererseits hat die Zunahme der Rechenleistung, insbesondere die Einführung von GPU und FPGA, die algorithmische Intelligenz auf großartige Weise gesteigert und die Modelle, die vor Jahrzehnten erstellt wurden, enorm leistungsfähig und vielseitig gemacht. Ich füge hinzu, dass die in den letzten Jahren gesammelten Big-Data-Daten (meistens beschriftete Daten) ebenfalls relevant sind.
Solche Entwicklungen bringen Computer Vision (und Spracherkennung) in eine neue Ära, aber in der Verarbeitung natürlicher Sprache und in Expertensystemen scheint sich die Situation nicht sehr verändert zu haben.
Den gesunden Menschenverstand für die neuronalen Netze zu erlangen, scheint eine große Aufgabe zu sein, aber die meisten Sätze, Konversationen und Kurztexte enthalten Schlussfolgerungen, die aus dem Hintergrundwissen der Welt abgeleitet werden sollten. Daher ist die grafische Darstellung von Wissen für die künstliche Intelligenz von großer Bedeutung. Neuronale Netze können zum Aufbau von Wissensbasen genutzt werden, aber es scheint, dass Modelle für neuronale Netze Schwierigkeiten haben, diese aufgebauten Wissensbasen zu nutzen.
Meine Fragen sind:
1) Ist eine Wissensdatenbank (zum Beispiel ein "Wissensdiagramm", wie es von Google geprägt wurde) ein vielversprechender Zweig in der KI? Wenn ja, wie kann KB das maschinelle Lernen fördern? Und wie kann es bei der Erzeugung natürlicher Sprachen helfen?
2) Wo ist die Richtung für die Wissensbasis (oder der Oberbegriff symbolischer Ansatz), um in einem von DL dominierten Zeitalter zu überleben? Ist Wolfram- like z dynamic knowledge base die neue Richtung? Oder irgendwelche neuen Richtungen?
Hoffentlich stelle ich hier eine passende Frage, da ich meine Frage nicht als "Wissensbasis" oder "Wissensgraph" kennzeichnen konnte.
Fehlt mir etwas Grundlegendes oder eine Idee, die diese Probleme angeht?
quelle
Antworten:
Zunächst möchte ich auf die Hauptunterschiede zwischen Wissensbasis und (tiefem) maschinellem Lernen hinweisen, insbesondere wenn der Schwerpunkt auf "KI" und nicht auf "Data Science" liegt:
NNs sind wie eine Black Box; Selbst wenn sie einen Datensatz lernen und die Macht der Verallgemeinerung über die Problemdomäne erlangen, würden Sie nie wissen, wie sie arbeiten. Wenn Sie die Details des entwickelten Modells überprüfen, sehen Sie nur Ziffern, Gewichte, schlechte und starke Verbindungen und Transformationsfunktionen. Der Schritt "Merkmalsextraktion" vor der Trainingsphase sagt Ihnen buchstäblich: "Hey Mensch, genug mit Ihrer komplizierten Welt, lasst uns Nullen und Einsen beginnen." Bei DL ist es schlimmer! Wir sehen nicht einmal, was die ausgewählten und wirksamen Merkmale sind. Ich bin kein DL-Experte, aber soweit ich weiß, ist die Blackbox von DL dunkler! Wissensdatenbanken sind jedoch in einer menschenfreundlichen Sprache verfasst. Nach einer Wissensakkumulationsphase konnten Sie alle Verbindungen zwischen den Entitäten erkennen. Sie könnten diese Zusammenhänge interpretieren. Wenn Sie einen Draht in einer Wissensdatenbank durchtrennen, verliert Ihr Modell nur einen kleinen Teil seiner Leistung und Sie wissen, was genau es verliert. Wenn Sie beispielsweise den Knoten "Pluto" vom Knoten "Sonnensystem" trennen, wird Ihrem Modell mitgeteilt, was deGrasse Tyson uns gesagt hat. Aber in einem ML-Modell könnte dies zu einem völlig nutzlosen Modell werden: Was passiert, wenn Sie die Verbindung zwischen Neuron Nummer 14 und 47 in einem NN-Modell manipulieren, um vorherzusagen, welche Planeten zum Sonnensystem gehören ?!
ML-Modelle sind lediglich eine Inschrift der Daten. Sie haben nicht die Macht der Schlussfolgerung, und sie geben Ihnen keine. Die Wissensbasis ist andererseits in der Lage, Rückschlüsse auf das in Ihrer Frage angegebene Vorwissen zu ziehen. Es wird gezeigt, dass DL-Modelle, die beispielsweise mit Bildklassifizierungsdaten trainiert wurden, auch auf Spracherkennungsprobleme angewendet werden können. Dies bedeutet jedoch nicht, dass DL-Modelle ihre Vorkenntnisse auf dem Gebiet der Bilder auf das Gebiet der Stimmen übertragen könnten.
Sie benötigen für herkömmliche ML-Algorithmen Kilogramm Daten und für DL-Algorithmen Tonnen von Daten. Mit einer einzelnen Instanz eines Datensatzes wird jedoch eine aussagekräftige Wissensbasis für Sie erstellt.
Es gibt zwei Forschungsschwerpunkte in NLP: maschinelle Übersetzung und Beantwortung von Fragen. In der Praxis hat sich gezeigt, dass DL in erheblichem Maße mit Problemen der maschinellen Übersetzung zu tun hat, sich bei der Beantwortung von Fragen jedoch irgendwie dumm verhält, insbesondere wenn das Themenspektrum des Mensch-Maschine-Gesprächs breit gefächert ist. Wissensdatenbanken sind keine gute Wahl für maschinelle Übersetzungen, aber wahrscheinlich der Schlüssel zu einem edlen Fragenbeantworter. Da es bei der maschinellen Übersetzung nur auf die übersetzte Version eines Textes ankommt (und es ist mir egal, wie um alles in der Welt die Maschine das gemacht hat, soweit es wahr ist), brauche ich bei der Beantwortung eines Problems keinen Papagei, der es tut wiederholt die gleichen Informationen, die ich ihm gegeben habe, aber eine intelligente Kreatur, die mir sagt "Apfel ist essbar", nachdem ich ihm gesagt habe "Apfel ist eine Frucht" und "Apfel ist eine Frucht".
quelle