Mi chiedo quali ruoli ricoprano ora la knowledge base e che giocheranno in futuro?

Oggi l'intelligenza artificiale sembra quasi uguale all'apprendimento automatico, in particolare all'apprendimento profondo. Alcuni hanno affermato che l'apprendimento profondo sostituirà gli esperti umani, tradizionalmente molto importanti per l'ingegneria delle caratteristiche, in questo campo. Si dice che due scoperte alla base dell'ascesa del deep learning: da un lato, la neuroscienza e la neuroplasticitàin particolare, ci dice che come il cervello umano, che è altamente plastico, le reti artificiali possono essere utilizzate per modellare quasi tutte le funzioni; d'altro canto, l'aumento della potenza computazionale, in particolare l'introduzione di GPU e FPGA, ha migliorato in modo straordinario l'intelligenza algoritmica e ha reso i modelli creati decenni fa immensamente potenti e versatili. Aggiungerò che anche i big data (principalmente dati etichettati) accumulati negli anni passati sono rilevanti.

Tali sviluppi portano la visione computerizzata (e il riconoscimento vocale) in una nuova era, ma nell'elaborazione del linguaggio naturale e nei sistemi esperti, la situazione non sembra essere cambiata molto.

Raggiungere il buon senso per le reti neurali sembra un ordine elevato, ma la maggior parte delle frasi, conversazioni e brevi testi contengono inferenze che dovrebbero essere tratte dalla conoscenza del mondo di fondo. Pertanto, la rappresentazione grafica delle conoscenze è di grande importanza per l'intelligenza artificiale. Le reti neurali possono essere sfruttate nella costruzione di basi di conoscenza, ma sembra che i modelli di reti neurali abbiano difficoltà a utilizzare queste basi di conoscenza costruite.

Le mie domande sono:

• 1) Una knowledge base (ad esempio un "grafico della conoscenza" coniato da Google) è una filiale promettente nell'IA? In tal caso, in che modo KB può potenziare l'apprendimento automatico? E come può aiutare nella generazione del linguaggio naturale?

• 2) Per la sopravvivenza in un'epoca dominata dalla DL, dov'è la direzione per la base di conoscenza (o il termine ombrello approccio simbolico)? La conoscenza dinamica z simile a Wolfram è la nuova direzione? O qualche nuova direzione?

Spero di fare una domanda appropriata qui, poiché non sono stato in grado di contrassegnare la mia domanda come "knowledge base" né "grafico della conoscenza".

Mi sto perdendo qualcosa di fondamentale o alcune idee che affrontano questi problemi?

Prima di tutto, vorrei sottolineare le principali differenze tra la knowledge base e l'apprendimento automatico (approfondito), specialmente quando l'obiettivo principale è "AI" e non "Data Science":

• Gli NN sono come una scatola nera; Anche se imparano un set di dati e ottengono il potere di generalizzazione sul dominio problematico, non sapresti mai come funzionano. se analizzi i dettagli del modello sviluppato, tutto ciò che vedi sono cifre, pesi, connessioni scarse e forti e funzioni di trasformazione. il passaggio "estrazione delle caratteristiche" prima della fase di allenamento ti dice letteralmente: "hey umano, abbastanza con il tuo mondo complicato, iniziamo zeri e quelli". Nel caso di DL, è peggio! non vediamo nemmeno quali sono le funzionalità selezionate ed efficaci. Non sono un esperto di DL ma, per quanto ne so, la scatola nera di DL è più scura! Ma le basi di conoscenza sono scritte in un linguaggio amico dell'uomo. dopo una fase di accumulo di conoscenza, potresti vedere tutte le connessioni tra le entità e, più importante, potresti interpretare quelle connessioni. se tagli un filo in una base di conoscenza, il tuo modello perderà solo un po 'della sua potenza e saprai esattamente cosa perderà; ad esempio scollegare il nodo "Plutone" dal nodo "sistema solare", dirà al tuo modello cosa ci ha detto deGrasse Tyson. ma in un modello ML, questo potrebbe trasformarlo in un puro inutile: cosa succede se si manipola la connessione tra il neurone numero 14 e 47 in un modello NN usato per prevedere quali pianeti appartengono al sistema solare ?!

• I modelli ML sono semplicemente un'iscrizione dei dati. Non hanno il potere dell'inferenza e non te ne danno uno. la base di conoscenza è invece in grado di dedurre dalla conoscenza precedente come indicato nella domanda. È stato dimostrato che i modelli DL che sono stati addestrati con dati di classificazione delle immagini potrebbero essere applicati anche al problema del rilevamento vocale. Ma ciò non significa che i modelli DL potrebbero applicare le sue conoscenze precedenti nel dominio delle immagini al dominio delle voci.

• Hai bisogno di chili di dati per gli algoritmi ML tradizionali e tonnellate di dati per quelli DL. ma una singola istanza di un set di dati creerà una base di conoscenza significativa per te.

Ci sono due argomenti di ricerca principali nella PNL: la traduzione automatica e la risposta alle domande. In pratica è stato dimostrato che DL lavora in modo significativo con i problemi di traduzione automatica, ma si comporta in modo stupido in risposta a una sfida, specialmente quando il dominio degli argomenti trattati nella conversazione uomo-macchina è ampio. Le basi di conoscenza non sono una buona scelta per la traduzione automatica, ma sono probabilmente la chiave di una nobile segreteria per domande. Dato che ciò che conta nella traduzione automatica è solo la versione tradotta di un testo (e non mi interessa come mai la macchina lo ha fatto per quanto è vero) ma in questione rispondendo al problema, non ho bisogno di un pappagallo che ripete le stesse informazioni che gli ho dato, ma una creatura intelligente che mi dà "la mela è commestibile" dopo che gli ho detto "la mela è un frutto" e "