Mengapa Kecerdasan Buatan Neuro-Simbolik Adalah A.I. Dari masa depan

Bayangkan sebuah nampan. Di atas nampan ada bermacam-macam bentuk: Ada yang berbentuk kubus, ada pula yang berbentuk bola. Bentuknya terbuat dari berbagai bahan berbeda dan mewakili berbagai macam ukuran. Totalnya mungkin ada delapan objek. Pertanyaan saya: “Melihat benda-benda tersebut, apakah jumlah benda besar dan bola logam sama?”

Ini bukan pertanyaan jebakan. Fakta bahwa hal itu terdengar seolah-olah memang demikian adalah bukti positif betapa sederhananya hal itu sebenarnya. Ini adalah jenis pertanyaan yang kemungkinan besar dapat dijawab dengan mudah oleh anak prasekolah. Namun hal ini hampir mustahil dilakukan dengan jaringan saraf tercanggih saat ini. Ini perlu diubah. Dan hal ini perlu diwujudkan dengan menciptakan kembali kecerdasan buatan seperti yang kita kenal sekarang.

Itu bukan pendapat saya; itu pendapat dari David Cox

, direktur MIT-IBM Watson A.I. Lab di Cambridge, MA. Di kehidupan sebelumnya, Cox adalah seorang profesor di Universitas Harvard, tempat timnya menggunakan wawasan dari ilmu saraf untuk membantu membangun sistem komputer pembelajaran mesin yang lebih baik yang terinspirasi dari otak. Dalam perannya saat ini di IBM, ia mengawasi kemitraan unik antara MIT dan IBM yang memajukan A.I. penelitian, termasuk Watson A.I. platform. Watson, bagi yang belum tahu, adalah A.I. yang terkenal mengalahkan dua pemain game show papan atas dalam sejarah di acara kuis TV Bahaya. Watson juga merupakan sistem pembelajaran mesin, yang dilatih menggunakan banyak data dan bukan aturan yang diturunkan dari manusia.

Jadi ketika Cox mengatakan bahwa dunia perlu memikirkan kembali A.I. menjelang dekade baru, kedengarannya agak aneh. Bagaimanapun, tahun 2010-an bisa dibilang merupakan sepuluh tahun paling sukses dalam bidang AI. sejarah: Sebuah periode di mana terobosan terjadi setiap minggu, dan tanpa ada tanda-tanda yang membekukan A.I. musim dingin wawasan. Inilah tepatnya mengapa menurutnya A.I. Namun, hal ini perlu diubah. Dan sarannya untuk perubahan tersebut, sebuah istilah yang saat ini masih belum jelas disebut “neuro-symbolic A.I.,” bisa menjadi salah satu ungkapan yang sangat kita kenal pada saat tahun 2020-an berakhir.

Naik turunnya A.I.

A.I. neuro-simbolis Sebenarnya, ini bukanlah cara baru dalam melakukan AI. Ini adalah kombinasi dari dua pendekatan yang ada untuk membangun mesin berpikir; mereka yang pernah diadu satu sama lain sebagai musuh bebuyutan.

Bagian “simbolis” dari nama tersebut mengacu pada pendekatan arus utama pertama dalam menciptakan kecerdasan buatan. Dari tahun 1950an hingga 1980an, simbolis A.I. berkuasa tertinggi. Untuk A.I. Peneliti, kecerdasan didasarkan pada kemampuan manusia untuk memahami dunia di sekitarnya dengan membentuk representasi simbolik internal. Mereka kemudian membuat aturan-aturan untuk menangani konsep-konsep ini, dan aturan-aturan ini dapat diformalkan sedemikian rupa sehingga mencakup pengetahuan sehari-hari.

Jika otak diibaratkan komputer, artinya setiap situasi yang kita hadapi bergantung pada kita dalam menjalankannya program komputer internal yang menjelaskan, langkah demi langkah, cara melakukan suatu operasi, berdasarkan seluruhnya logika. Asalkan demikian, simbolis A.I. peneliti percaya bahwa aturan yang sama tentang organisasi dunia dapat ditemukan dan kemudian dikodifikasikan, dalam bentuk algoritma, untuk komputer untuk melaksanakan.

A.I. Simbolis menghasilkan beberapa demonstrasi yang cukup mengesankan. Misalnya, pada tahun 1964 ilmuwan komputer Bertram Raphael mengembangkan sistem yang disebut SIR, singkatan dari “Pengambilan Informasi Semantik.” SIR adalah sistem penalaran komputasi yang tampaknya mampu mempelajari hubungan antar objek dengan cara yang menyerupai kecerdasan sebenarnya. Jika Anda mengatakan, misalnya, “John adalah laki-laki; anak laki-laki adalah seseorang; seseorang memiliki dua tangan; sebuah tangan mempunyai lima jari,” lalu SIR akan menjawab pertanyaan “Berapa jari yang dimiliki John?” dengan angka 10 yang benar.

Sistem komputer berdasarkan simbolik A.I. mencapai puncak kekuasaannya (dan kemundurannya) pada tahun 1980an. Ini adalah dekade yang disebut “sistem pakar” yang berupaya menggunakan sistem berbasis aturan untuk memecahkan permasalahan dunia nyata, seperti membantu ahli kimia organik mengidentifikasi molekul organik yang tidak diketahui atau membantu dokter dalam merekomendasikan dosis antibiotik yang tepat infeksi.

Konsep yang mendasari sistem pakar ini solid. Tapi mereka punya masalah. Sistemnya mahal, memerlukan pembaruan terus-menerus, dan, yang terburuk, menjadi kurang akurat jika semakin banyak aturan yang diterapkan.

Dunia jaringan saraf

Bagian “neuro” dari A.I. mengacu pada jaringan saraf pembelajaran mendalam. Jaringan saraf adalah jenis komputasi yang terinspirasi dari otak yang telah mendorong banyak teknologi A.I. terobosan yang terlihat selama dekade terakhir. A.I. yang bisa mengendarai mobil? Jaringan saraf. A.I. yang dapat menerjemahkan teks ke dalam puluhan bahasa berbeda? Jaringan saraf. A.I. manakah yang membantu smart speaker di rumah Anda memahami suara Anda? Jaringan saraf adalah teknologi yang patut disyukuri.

Jaringan saraf bekerja secara berbeda dengan A.I. karena hal tersebut berdasarkan data, bukan berdasarkan aturan. Untuk menjelaskan sesuatu kepada A.I. sistem berarti secara eksplisit menyediakan setiap informasi yang diperlukan untuk dapat membuat identifikasi yang benar. Sebagai analogi, bayangkan mengirim seseorang untuk menjemput ibu Anda dari terminal bus, namun harus mendeskripsikannya dengan memberikan serangkaian aturan yang memungkinkan teman Anda memilihnya dari keramaian. Untuk melatih jaringan saraf melakukan hal ini, Anda cukup menampilkan ribuan gambar objek yang dimaksud. Ketika ia menjadi cukup pintar, ia tidak hanya akan mampu mengenali objek tersebut; ia dapat membuat sendiri benda serupa yang dimilikinya tidak pernah benar-benar ada di dunia nyata.

“Yang pasti, pembelajaran mendalam telah menghasilkan kemajuan luar biasa,” kata David Cox kepada Digital Trends. “Pada saat yang sama, ada retakan di dinding yang mulai terlihat.”

Salah satu dari apa yang disebut retakan ini bergantung pada hal yang membuat jaringan saraf saat ini begitu kuat: data. Sama seperti manusia, jaringan saraf belajar berdasarkan contoh. Namun meskipun manusia mungkin hanya perlu melihat satu atau dua contoh pelatihan suatu objek untuk mengingatnya dengan benar, A.I. akan membutuhkan lebih banyak lagi. Akurasi bergantung pada banyaknya data beranotasi yang dapat digunakan untuk mempelajari setiap tugas baru.

Lampu lalu lintas menyala

Hal ini membuat mereka kurang pandai dalam masalah “angsa hitam” yang jarang terjadi secara statistik. Acara angsa hitam yang dipopulerkan oleh Nassim Nicholas Taleb, merupakan kasus sudut yang jarang terjadi secara statistik. “Banyak dari solusi pembelajaran mendalam kami saat ini – meskipun menakjubkan – merupakan solusi 80-20,” lanjut Cox. “80% kasus mereka akan benar, tetapi jika kasus-kasus penting tersebut penting, mereka akan cenderung gagal. Jika Anda melihat suatu objek yang biasanya tidak berada di tempatnya [di tempat tertentu], atau suatu objek dengan orientasi yang agak aneh, bahkan sistem yang menakjubkan pun akan runtuh.”

Sebelum bergabung dengan IBM, Cox mendirikan sebuah perusahaan, Automata Perseptif, yang mengembangkan perangkat lunak untuk mobil tanpa pengemudi. Tim tersebut memiliki saluran Slack tempat mereka memposting gambar-gambar lucu yang mereka temukan selama pengumpulan data. Salah satunya, yang diambil di sebuah persimpangan, menunjukkan lampu lalu lintas terbakar. “Ini adalah salah satu kasus yang mungkin tidak akan pernah Anda lihat seumur hidup Anda,” kata Cox. “Saya tidak tahu apakah Waymo dan Tesla memiliki gambar lampu lalu lintas yang menyala di kumpulan data yang mereka gunakan melatih jaringan saraf mereka, tapi saya berani bertaruh… jika mereka punya, mereka hanya akan punya sangat sedikit."

Kasus sudut adalah sesuatu yang tidak penting karena jarang terjadi dan tidak terlalu menjadi masalah jika terjadi. Mendapatkan rekomendasi restoran yang buruk mungkin tidak ideal, tapi mungkin tidak akan cukup untuk merusak hari Anda. Selama 99 rekomendasi yang dibuat sistem sebelumnya bagus, tidak ada alasan untuk frustrasi. Mobil tanpa pengemudi yang gagal merespons dengan baik di persimpangan karena lampu lalu lintas yang menyala atau kereta kuda dapat menyebabkan lebih dari sekadar merusak hari Anda. Hal ini mungkin tidak mungkin terjadi, namun jika hal ini terjadi, kita ingin mengetahui bahwa sistem dirancang untuk mampu mengatasinya.

“Jika Anda memiliki kemampuan untuk berpikir dan melakukan ekstrapolasi melampaui apa yang telah kita lihat sebelumnya, kita dapat menghadapi skenario ini,” jelas Cox. “Kami tahu manusia bisa melakukan itu. Jika saya melihat lampu lalu lintas terbakar, saya bisa membawa banyak ilmu untuk dipetik. Saya tahu, misalnya, bahwa lampu tidak akan memberi tahu saya apakah saya harus berhenti atau pergi. Saya tahu saya harus berhati-hati karena [pengemudi di sekitar saya akan bingung.] Saya tahu bahwa pengemudi yang datang dari arah lain mungkin berperilaku berbeda karena lampu mereka mungkin berfungsi. Saya dapat memikirkan rencana tindakan yang akan membawa saya ke tempat yang saya tuju. Dalam lingkungan yang kritis terhadap keselamatan dan kritis terhadap misi, saya rasa pembelajaran mendalam masih belum memberikan manfaat yang baik bagi kita. Itu sebabnya kami membutuhkan solusi tambahan.”

Ide yang saling melengkapi

Gagasan tentang A.I. adalah menyatukan pendekatan-pendekatan ini untuk menggabungkan pembelajaran dan logika. Jaringan saraf akan membantu membuat A.I. sistem menjadi lebih cerdas dengan memecah dunia menjadi simbol-simbol, daripada mengandalkan pemrogram manusia untuk melakukannya untuk mereka. Sementara itu, simbolis A.I. algoritma akan membantu menggabungkan penalaran akal sehat dan pengetahuan domain ke dalam pembelajaran mendalam. Hasilnya dapat membawa kemajuan signifikan dalam bidang A.I. sistem yang menangani tugas-tugas kompleks, yang berkaitan dengan segala hal mulai dari mobil tanpa pengemudi hingga pemrosesan bahasa alami. Dan semuanya membutuhkan lebih sedikit data untuk pelatihan.

“Jaringan saraf dan ide-ide simbolik saling melengkapi satu sama lain,” kata Cox. “Karena jaringan saraf memberi Anda jawaban untuk beralih dari kekacauan dunia nyata ke representasi simbolis dunia, menemukan semua korelasi dalam gambar. Setelah Anda mendapatkan representasi simbolis itu, Anda dapat melakukan beberapa hal ajaib dalam hal penalaran.”

Misalnya, dalam contoh bentuk yang saya gunakan untuk memulai artikel ini, sistem neuro-simbolis akan menggunakan kemampuan pengenalan pola jaringan saraf untuk mengidentifikasi objek. Kemudian ia akan bergantung pada A.I. untuk menerapkan logika dan penalaran semantik untuk mengungkap hubungan baru. Sistem seperti itu punya sudah terbukti bekerja secara efektif.

Hal ini tidak hanya berguna pada kasus-kasus darurat saja. Semakin penting bahwa A.I. sistem dapat dijelaskan bila diperlukan. Jaringan saraf dapat melaksanakan tugas-tugas tertentu dengan sangat baik, namun sebagian besar alasan di dalamnya bersifat “kotak hitam”, sehingga tidak dapat dipahami oleh mereka yang ingin mengetahui bagaimana jaringan tersebut mengambil keputusan. Sekali lagi, ini tidak terlalu menjadi masalah jika botlah yang merekomendasikan lagu yang salah di Spotify. Namun jika pinjaman bank Anda ditolak, lamaran pekerjaan ditolak, atau seseorang terluka dalam suatu hal insiden yang melibatkan mobil otonom, Anda sebaiknya dapat menjelaskan mengapa ada rekomendasi tertentu dibuat. Di situlah A.I. bisa masuk.

A.I. penelitian: generasi berikutnya

Beberapa dekade yang lalu, dunia simbolis A.I. dan jaringan saraf bertentangan satu sama lain. Tokoh terkenal yang memperjuangkan pendekatan ini tidak hanya percaya bahwa pendekatan mereka benar; mereka percaya bahwa ini berarti pendekatan lain salah. Mereka tidak serta merta salah dalam melakukan hal tersebut. Bersaing untuk memecahkan masalah yang sama, dan dengan dana yang terbatas, kedua sekolah A.I. tampak secara mendasar bertentangan satu sama lain. Saat ini, tampaknya yang terjadi justru sebaliknya.

“Sungguh menarik melihat generasi muda,” kata Cox. “[Banyak orang di tim saya] adalah orang-orang yang relatif junior: segar, bersemangat, baru saja menyelesaikan gelar Ph.D. Mereka tidak punya sejarah itu. Mereka hanya tidak peduli [tentang dua pendekatan yang diadu satu sama lain] — dan tidak peduli sangatlah ampuh karena akan membuka diri Anda dan menghilangkan prasangka tersebut. Mereka senang menjelajahi persimpangan… Mereka hanya ingin melakukan sesuatu yang keren dengan A.I.”

Jika semua berjalan sesuai rencana, kita semua akan mendapat manfaat dari hasilnya.

Rekomendasi Editor

• AI Analog? Kedengarannya gila, tapi mungkin itu adalah masa depan
• Bacalah 'kitab suci sintetik' yang sangat indah dari A.I. yang berpikir itu adalah Tuhan
• Arsitektur algoritmik: Haruskah kita membiarkan A.I. merancang bangunan untuk kami?
• Supermodel bahasa: Bagaimana GPT-3 secara diam-diam menghadirkan A.I. revolusi
• Women with Byte: Rencana Vivienne Ming untuk memecahkan 'masalah manusia yang berantakan' dengan A.I.