Por que a inteligência artificial neuro-simbólica é a IA Do futuro

Imagine uma bandeja. Na bandeja há uma variedade de formas: alguns cubos, outros esferas. As formas são feitas de uma variedade de materiais diferentes e representam uma variedade de tamanhos. No total existem, talvez, oito objetos. Minha pergunta: “Olhando para os objetos, há um número igual de coisas grandes e esferas de metal?”

Não é uma pergunta capciosa. O fato de parecer que sim é uma prova positiva de quão simples realmente é. É o tipo de pergunta que uma criança em idade pré-escolar provavelmente poderia responder com facilidade. Mas é quase impossível para as redes neurais de última geração de hoje. Isso precisa mudar. E isso precisa acontecer reinventando a inteligência artificial como a conhecemos.

Essa não é minha opinião; é a opinião de David Cox, diretor do MIT-IBM Watson A.I. Laboratório em Cambridge, MA. Numa vida anterior, Cox foi professor na Universidade de Harvard, onde a sua equipa utilizou conhecimentos da neurociência para ajudar a construir melhores sistemas informáticos de aprendizagem automática inspirados no cérebro. Em sua função atual na IBM, ele supervisiona uma parceria única entre o MIT e a IBM que está promovendo a IA. pesquisas, incluindo Watson A.I. plataforma. Watson, para quem não sabe, era a IA. que derrotou dois dos principais jogadores do game show

em história no programa de perguntas e respostas da TV Perigo. O Watson também é principalmente um sistema de aprendizado de máquina, treinado usando massas de dados em oposição a regras derivadas de humanos.

Então, quando Cox diz que o mundo precisa repensar a IA. à medida que avançamos para uma nova década, parece um pouco estranho. Afinal, a década de 2010 foi sem dúvida o período de dez anos de maior sucesso em IA. história: um período em que avanços acontecem aparentemente semanalmente, e sem nenhum indício gelado de IA inverno entendimento. É exatamente por isso que ele pensa que a I.A. precisa mudar, no entanto. E a sua sugestão para essa mudança, um termo atualmente obscuro chamado “IA neuro-simbólica”, poderia muito bem tornar-se uma daquelas frases com as quais estamos intimamente familiarizados quando a década de 2020 chegar ao fim.

A ascensão e queda da IA ​​simbólica.

IA neuro-simbólica não é, estritamente falando, uma maneira totalmente nova de fazer IA. É uma combinação de duas abordagens existentes para construir máquinas pensantes; aqueles que antes eram colocados uns contra os outros como inimigos mortais.

A parte “simbólica” do nome refere-se à primeira abordagem convencional para a criação de inteligência artificial. Da década de 1950 até a década de 1980, a IA simbólica. governou supremo. Para uma IA simbólica pesquisador, a inteligência se baseia na capacidade do ser humano de compreender o mundo ao seu redor, formando representações simbólicas internas. Eles então criam regras para lidar com esses conceitos, e essas regras podem ser formalizadas de uma forma que capture o conhecimento cotidiano.

Se o cérebro é análogo a um computador, isso significa que cada situação que encontramos depende de executarmos um programa informático interno que explica, passo a passo, como realizar uma operação, baseado inteiramente em lógica. Desde que seja esse o caso, a I.A. simbólica. pesquisadores acreditam que essas mesmas regras sobre o organização do mundo poderia ser descoberta e depois codificada, na forma de um algoritmo, para um computador para realizar.

IA simbólica resultou em algumas demonstrações bastante impressionantes. Por exemplo, em 1964, o cientista da computação Bertram Raphael desenvolveu um sistema chamado SIR, que significa “Recuperação Semântica de Informação.” SIR era um sistema de raciocínio computacional que aparentemente era capaz de aprender relações entre objetos de uma forma que se assemelhava à inteligência real. Se você dissesse isso, por exemplo: “John é um menino; um menino é uma pessoa; uma pessoa tem duas mãos; uma mão tem cinco dedos”, então o SIR responderia à pergunta “Quantos dedos John tem?” com o número correto 10.

Sistemas de computador baseados em IA simbólica atingiram o auge de seus poderes (e seu declínio) na década de 1980. Esta foi a década do chamado “sistema especialista”, que tentou usar sistemas baseados em regras para resolver problemas do mundo real, tais como ajudar os químicos orgânicos a identificar moléculas orgânicas desconhecidas ou ajudar os médicos a recomendar a dose certa de antibióticos para infecções.

O conceito subjacente a estes sistemas especialistas era sólido. Mas eles tiveram problemas. Os sistemas eram caros, exigiam atualização constante e, o pior de tudo, podiam tornar-se menos precisos à medida que mais regras fossem incorporadas.

O mundo das redes neurais

A parte “neuro” da IA ​​neuro-simbólica. refere-se a redes neurais de aprendizagem profunda. As redes neurais são o tipo de computação inspirado no cérebro que impulsionou muitos dos sistemas de IA. avanços observados na última década. IA que pode dirigir carros? Redes neurais. IA que pode traduzir texto em dezenas de idiomas diferentes? Redes neurais. IA o que ajuda o alto-falante inteligente da sua casa a entender sua voz? As redes neurais são a tecnologia à qual devemos agradecer.

As redes neurais funcionam de maneira diferente da IA ​​simbólica. porque são orientados por dados, e não baseados em regras. Para explicar algo a uma IA simbólica. sistema significa fornecer-lhe explicitamente todas as informações necessárias para poder fazer uma identificação correta. Como analogia, imagine mandar alguém buscar sua mãe na rodoviária, mas ter que descrevê-la fornecendo um conjunto de regras que permitiria que seu amigo a distinguisse na multidão. Para treinar uma rede neural para fazer isso, basta mostrar milhares de imagens do objeto em questão. Quando ficar inteligente o suficiente, não apenas será capaz de reconhecer aquele objeto; ele pode criar seus próprios objetos semelhantes que tenham nunca existiu realmente no mundo real.

“Com certeza, o aprendizado profundo permitiu avanços surpreendentes”, disse David Cox à Digital Trends. “Ao mesmo tempo, existem rachaduras preocupantes na parede que estão começando a aparecer.”

Uma dessas chamadas rachaduras depende exatamente daquilo que tornou as redes neurais de hoje tão poderosas: os dados. Assim como um ser humano, uma rede neural aprende com base em exemplos. Mas embora um ser humano precise apenas ver um ou dois exemplos de treinamento de um objeto para lembrá-lo corretamente, uma IA. exigirá muitos, muitos mais. A precisão depende de ter grandes quantidades de dados anotados com os quais possa aprender cada nova tarefa.

Semáforos em chamas

Isso os torna menos bons em problemas de “cisne negro” estatisticamente raros. Um evento cisne negro, popularizado por Nassim Nicholas Taleb, é um caso extremo que é estatisticamente raro. “Muitas de nossas soluções de aprendizagem profunda hoje – por mais incríveis que sejam – são soluções 80-20”, continuou Cox. “Eles acertarão 80% dos casos, mas se esses casos secundários forem importantes, eles tenderão a falhar. Se você vir um objeto que normalmente não pertence [a um determinado lugar], ou um objeto em uma orientação um pouco estranha, até mesmo sistemas incríveis cairão.”

Antes de ingressar na IBM, Cox foi cofundador de uma empresa, Autômatos Perceptivos, que desenvolveu software para carros autônomos. A equipe tinha um canal no Slack no qual postavam imagens engraçadas que encontraram durante a coleta de dados. Uma delas, tirada em um cruzamento, mostrava um semáforo em chamas. “É um daqueles casos que você talvez nunca veja na vida”, disse Cox. “Não sei se Waymo e Tesla têm imagens de semáforos pegando fogo nos conjuntos de dados que usam para treinar suas redes neurais, mas aposto que... se eles tiverem alguma, terão apenas uma alguns."

Uma coisa é um caso secundário ser algo insignificante porque raramente acontece e não importa muito quando acontece. Obter uma recomendação de restaurante ruim pode não ser o ideal, mas provavelmente não será o suficiente para estragar o seu dia. Desde que as 99 recomendações anteriores feitas pelo sistema sejam boas, não há motivo real para frustração. Um carro autônomo que não responde adequadamente em um cruzamento por causa de um semáforo em chamas ou de uma carruagem puxada por cavalos pode fazer muito mais do que arruinar o seu dia. Pode ser pouco provável que isso aconteça, mas se acontecer, queremos saber se o sistema foi concebido para ser capaz de lidar com isso.

“Se você tiver a capacidade de raciocinar e extrapolar além do que vimos antes, podemos lidar com esses cenários”, explicou Cox. “Sabemos que os humanos podem fazer isso. Se eu vir um semáforo pegando fogo, posso trazer muito conhecimento para usar. Sei, por exemplo, que a luz não vai me dizer se devo parar ou ir embora. Eu sei que preciso ter cuidado porque [os motoristas ao meu redor ficarão confusos.] Eu sei que os motoristas que vêm na direção oposta podem estar se comportando de maneira diferente porque sua luz pode estar funcionando. Posso raciocinar sobre um plano de ação que me levará aonde preciso ir. Nesses tipos de ambientes críticos para a segurança e para a missão, não acho que o aprendizado profundo esteja nos servindo perfeitamente bem ainda. É por isso que precisamos de soluções adicionais.”

Ideias complementares

A ideia de IA neuro-simbólica. é reunir essas abordagens para combinar aprendizagem e lógica. As redes neurais ajudarão a tornar a IA simbólica. sistemas mais inteligentes, dividindo o mundo em símbolos, em vez de depender de programadores humanos para fazer isso por eles. Enquanto isso, a IA simbólica. algoritmos ajudarão a incorporar o raciocínio de bom senso e o conhecimento do domínio no aprendizado profundo. Os resultados podem levar a avanços significativos na IA. sistemas que lidam com tarefas complexas, relacionadas a tudo, desde carros autônomos até processamento de linguagem natural. E tudo isso exigindo muito menos dados para treinamento.

“Redes neurais e ideias simbólicas são maravilhosamente complementares entre si”, disse Cox. “Porque as redes neurais dão as respostas para passar da bagunça do mundo real a uma representação simbólica do mundo, encontrando todas as correlações nas imagens. Depois de obter essa representação simbólica, você pode fazer coisas bastante mágicas em termos de raciocínio.”

Por exemplo, no exemplo de forma com o qual comecei este artigo, um sistema neurosimbólico usaria os recursos de reconhecimento de padrões de uma rede neural para identificar objetos. Então, confiaria na IA simbólica. aplicar raciocínio lógico e semântico para descobrir novos relacionamentos. Tais sistemas têm já foi comprovado que funciona de forma eficaz.

Não são apenas os casos extremos em que isso seria útil. Cada vez mais, é importante que a IA. os sistemas são explicáveis ​​quando necessário. Uma rede neural pode realizar determinadas tarefas excepcionalmente bem, mas grande parte de seu raciocínio interno está em uma “caixa preta”, tornando-se inescrutável para aqueles que desejam saber como ela tomou sua decisão. Novamente, isso não importa tanto se for um bot que recomenda a faixa errada no Spotify. Mas se um empréstimo bancário lhe foi negado, um pedido de emprego foi rejeitado ou alguém foi ferido em um incidente envolvendo um carro autônomo, é melhor você explicar por que certas recomendações foram feito. É aí que a IA neuro-simbólica. poderia entrar.

IA pesquisa: a próxima geração

Algumas décadas atrás, os mundos da IA ​​simbólica. e as redes neurais estavam em conflito umas com as outras. As figuras renomadas que defenderam as abordagens não apenas acreditaram que a sua abordagem estava correta; eles acreditavam que isso significava que a outra abordagem estava errada. Eles não estavam necessariamente incorretos ao fazer isso. Competindo para resolver os mesmos problemas e com financiamento limitado, ambas as escolas de I.A. pareciam fundamentalmente opostos um ao outro. Hoje, parece que o oposto pode vir a ser verdade.

“É realmente fascinante ver a geração mais jovem”, disse Cox. “[Muitas das pessoas da minha equipe são] pessoas relativamente juniores: novas, entusiasmadas, recém-saídas do doutorado. Eles simplesmente não têm nada dessa história. Eles simplesmente não se importam [com as duas abordagens sendo colocadas uma contra a outra] - e não se importar é realmente poderoso porque abre você e se livra desses preconceitos. Eles ficam felizes em explorar cruzamentos… Eles só querem fazer algo legal com IA.”

Se tudo correr conforme o planejado, todos nós nos beneficiaremos dos resultados.

Recomendações dos Editores

• IA analógica? Parece loucura, mas pode ser o futuro
• Leia a estranhamente bela “escritura sintética” de uma IA. que pensa que é Deus
• Arquitetura algorítmica: devemos deixar a I.A. projetar edifícios para nós?
• Supermodelo de linguagem: como o GPT-3 está silenciosamente inaugurando a IA. revolução
• Mulheres com Byte: o plano de Vivienne Ming para resolver ‘problemas humanos complicados’ com IA