ปัญญาประดิษฐ์เชิงสัญลักษณ์คืออะไร? ทุกสิ่งที่คุณควรรู้.

เมื่อพูดถึง AI ในปัจจุบัน การสนทนามักจะมุ่งไปที่แชทบอทที่ฟังดูเหมือนมนุษย์อย่างน่าอัศจรรย์ เครือข่ายประสาทเทียมขนาดใหญ่ที่ประมวลผลข้อมูล หรือระบบจดจำภาพที่สามารถระบุแมวได้ดีกว่ามนุษย์ที่เหนื่อยล้าบางคนเสียอีก แต่ก่อนที่จะเกิดกระแสนี้ มี AI เชิงสัญลักษณ์ และที่แปลกคือ มันยังคงอยู่และมีประโยชน์อยู่ โดยพื้นฐานแล้วมันคือการสอนคอมพิวเตอร์ให้คิดเหมือนมนุษย์ โดยใช้ สัญลักษณ์ ตรรกะ และกฎเกณฑ์ ล้าสมัยหรือเปล่า? อาจจะใช่ แต่ในโลกที่หมกมุ่นอยู่กับ AI แบบ "กล่องดำ" ความชัดเจนของ AI เชิงสัญลักษณ์กลับให้ความรู้สึกสดชื่น [1]

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 AI Trainer คืออะไร
อธิบายบทบาทและความรับผิดชอบของผู้ฝึกสอน AI สมัยใหม่.

🔗 วิทยาศาสตร์ข้อมูลจะถูกแทนที่ด้วยปัญญาประดิษฐ์หรือไม่
สำรวจว่าความก้าวหน้าของ AI คุกคามอาชีพด้านวิทยาศาสตร์ข้อมูลหรือไม่.

🔗 ปัญญาประดิษฐ์ (AI) ได้รับข้อมูลมาจากที่ไหน
อธิบายรายละเอียดเกี่ยวกับแหล่งที่มาที่โมเดล AI ใช้ในการเรียนรู้และปรับตัว.

พื้นฐาน AI เชิงสัญลักษณ์✨

นี่คือประเด็นสำคัญ: AI เชิงสัญลักษณ์สร้างขึ้นบน ความชัดเจน คุณสามารถติดตามตรรกะ ตรวจสอบกฎ และเห็นได้อย่างแท้จริง ว่าทำไม เครื่องจักรจึงพูดเช่นนั้น เปรียบเทียบกับโครงข่ายประสาทเทียมที่แค่พ่นคำตอบออกมา – มันเหมือนกับการถามวัยรุ่นว่า “ทำไม?” แล้วได้คำตอบเป็นการยักไหล่ ในทางตรงกันข้าม ระบบเชิงสัญลักษณ์จะบอกว่า “เพราะ A และ B บ่งชี้ว่า C ดังนั้น C” ความสามารถในการอธิบายตัวเองนี้เป็นตัวเปลี่ยนเกมสำหรับเรื่องที่มีความเสี่ยงสูง (การแพทย์ การเงิน หรือแม้แต่ในศาล) ที่มักจะมีคนขอหลักฐาน [5]

เรื่องสั้น: ทีมตรวจสอบการปฏิบัติตามกฎระเบียบของธนาคารขนาดใหญ่แห่งหนึ่งได้เขียนนโยบายการคว่ำบาตรลงในระบบประมวลผลกฎเกณฑ์ เช่น “ถ้า origin_country ∈ {X} และ missing_beneficiary_info → escalate” ผลลัพธ์คือ ทุกกรณีที่ถูกตั้งข้อสงสัยจะมีเหตุผลที่ตรวจสอบได้และอ่านง่าย ผู้ตรวจสอบบัญชี ชื่นชอบมาก นี่คือพลังพิเศษของ AI เชิงสัญลักษณ์ – การคิดที่โปร่งใสและตรวจสอบ ได้

ตารางเปรียบเทียบโดยย่อ 📊

วิธีการทำงานของ AI เชิงสัญลักษณ์ (ในทางปฏิบัติ) 🛠️

โดยพื้นฐานแล้ว ปัญญาประดิษฐ์เชิงสัญลักษณ์ประกอบด้วยสองสิ่งเท่านั้น คือ สัญลักษณ์ (แนวคิด) และ กฎ (วิธีการเชื่อมโยงแนวคิดเหล่านั้นเข้าด้วยกัน) ตัวอย่างเช่น:

• สัญลักษณ์: สุนัข , สัตว์ , หาง

• กฎ: ถ้า X เป็นสุนัข → X เป็นสัตว์

จากตรงนี้ คุณสามารถเริ่มสร้างห่วงโซ่ตรรกะได้ - เหมือนชิ้นส่วน LEGO ดิจิทัล ระบบผู้เชี่ยวชาญแบบคลาสสิกยังจัดเก็บข้อเท็จจริงใน รูปแบบสามส่วน (คุณลักษณะ-วัตถุ-ค่า) และใช้ ตัวตีความกฎที่มุ่งเน้นเป้าหมาย เพื่อพิสูจน์คำถามทีละขั้นตอน [1]

ตัวอย่างการใช้งาน AI เชิงสัญลักษณ์ในชีวิตจริง 🌍

1. MYCIN - ระบบผู้เชี่ยวชาญทางการแพทย์สำหรับโรคติดเชื้อ อิงตามกฎ อธิบายได้ง่าย [1]

2. DENDRAL - AI เคมียุคแรกที่คาดเดาโครงสร้างโมเลกุลจากข้อมูลสเปกโตรเมตรี [2]

3. Google Knowledge Graph - การแมปเอนทิตี (บุคคล สถานที่ สิ่งของ) + ความสัมพันธ์ของเอนทิตีเหล่านั้นเพื่อตอบคำถาม "สิ่งของ ไม่ใช่สตริง" [3]

4. บอทแบบใช้กฎเกณฑ์ - ขั้นตอนการทำงานที่กำหนดไว้ล่วงหน้าสำหรับการบริการลูกค้า มีความแข็งแกร่งในด้านความสม่ำเสมอ แต่ไม่เหมาะสำหรับการสนทนาแบบเปิดกว้าง

เหตุใดปัญญาประดิษฐ์เชิงสัญลักษณ์จึงสะดุด (แต่ไม่ล่มสลาย) 📉➡️📈

จุดที่ AI เชิงสัญลักษณ์พลาดพลั้งก็คือ โลกแห่งความเป็นจริงที่ยุ่งเหยิง ไม่สมบูรณ์ และขัดแย้ง การรักษากฎเกณฑ์จำนวนมหาศาลนั้นเหนื่อยล้า และกฎเกณฑ์ที่เปราะบางอาจขยายตัวจนพังทลายได้.

อย่างไรก็ตาม มันไม่เคยหายไปอย่างสมบูรณ์ ปัญญาประดิษฐ์ เชิงสัญลักษณ์แบบประสาท (neuro-symbolic AI) บทบาท: ผสมผสานโครงข่ายประสาท (ที่เก่งด้านการรับรู้) กับตรรกะเชิงสัญลักษณ์ (ที่เก่งด้านการให้เหตุผล) ลองนึกภาพเหมือนทีมวิ่งผลัด: ส่วนที่เป็นโครงข่ายประสาทจะมองเห็นป้ายหยุด จากนั้นส่วนที่เป็นตรรกะเชิงสัญลักษณ์จะหาความหมายภายใต้กฎจราจร การผสมผสานนี้สัญญาว่าจะทำให้ ระบบฉลาดขึ้น และ สามารถอธิบายได้ [4][5]

จุดแข็งของ AI เชิงสัญลักษณ์ 💡

• ตรรกะที่โปร่งใส : คุณสามารถติดตามทุกขั้นตอนได้ [1][5]

• เป็นมิตรกับกฎระเบียบ : สอดคล้องกับนโยบายและกฎหมายอย่างชัดเจน [5]

• การบำรุงรักษาแบบโมดูลาร์ : คุณสามารถปรับแต่งกฎข้อหนึ่งได้โดยไม่ต้องฝึกโมเดลมอนสเตอร์ใหม่ทั้งหมด [1]

จุดอ่อนของ AI เชิงสัญลักษณ์ ⚠️

• แย่มากในด้านการรับรู้ : ภาพ เสียง ข้อความที่ยุ่งเหยิง - โครงข่ายประสาทเทียมจึงเหมาะสมกว่าในด้านนี้

• ปัญหาการปรับขนาด : การดึงและอัปเดตกฎของผู้เชี่ยวชาญนั้นยุ่งยาก [2]

• ความแข็งแกร่ง : กฎเกณฑ์ถูกละเมิดนอกเขตพื้นที่ ความไม่แน่นอนนั้นยากที่จะจับได้ (แม้ว่าบางระบบจะแฮ็กแก้ไขบางส่วนได้ก็ตาม) [1]

เส้นทางข้างหน้าสำหรับ AI เชิงสัญลักษณ์ 🚀

อนาคตอาจไม่ใช่แค่สัญลักษณ์หรือระบบประสาทล้วนๆ แต่มันอาจเป็นลูกผสม ลองจินตนาการดูสิ:

1. ข่ายประสาทเทียม → สกัดรูปแบบจากพิกเซล/ข้อความ/เสียงดิบ

2. ประสาทสัญลักษณ์ → ยกระดับรูปแบบต่างๆ ไปสู่แนวคิดที่มีโครงสร้าง

3. สัญลักษณ์ → ใช้กฎเกณฑ์ ข้อจำกัด และที่สำคัญ คือ อธิบาย

นั่นคือวงจรที่เครื่องจักรเริ่มมีลักษณะคล้ายกับการใช้เหตุผลของมนุษย์: ดู จัดโครงสร้าง พิสูจน์ [4][5].

สรุปแล้ว 📝

ดังนั้น AI เชิงสัญลักษณ์: มันขับเคลื่อนด้วยตรรกะ อิงตามกฎ และพร้อมสำหรับการอธิบาย ไม่หวือหวา แต่ทำในสิ่งที่โครงข่ายประสาทเทียมยังทำไม่ได้ นั่นคือ การให้เหตุผลที่ชัดเจนและตรวจสอบได้ ทางเลือก ที่ชาญฉลาด? ระบบที่ยืมมาจาก ทั้งสอง กลุ่ม - โครงข่ายประสาทเทียมสำหรับการรับรู้และขนาด และ AI เชิงสัญลักษณ์สำหรับการให้เหตุผลและความน่าเชื่อถือ [4][5]

คำอธิบายเพิ่มเติม: อธิบาย AI เชิงสัญลักษณ์ - ระบบที่ใช้กฎเกณฑ์ จุดแข็ง/จุดอ่อน และเหตุผลที่ว่าทำไม AI เชิงสัญลักษณ์แบบประสาท (ตรรกะ + การเรียนรู้ของเครื่อง) จึงเป็นแนวทางแห่งอนาคต

แฮชแท็ก:
#ปัญญาประดิษฐ์ 🤖 #ปัญญาประดิษฐ์เชิงสัญลักษณ์ 🧩 #การเรียนรู้ของเครื่อง #ปัญญาประดิษฐ์เชิงสัญลักษณ์ประสาท ⚡ #อธิบายเทคโนโลยี #การนำเสนอความรู้ #ข้อมูลเชิงลึกของ AI #อนาคตของ AI

เอกสารอ้างอิง

[1] Buchanan, BG, & Shortliffe, EH ระบบผู้เชี่ยวชาญตามกฎ: การทดลอง MYCIN ของโครงการการเขียนโปรแกรมฮิวริสติกของสแตนฟอร์ด บทที่ 15 PDF

[2] Lindsay, RK, Buchanan, BG, Feigenbaum, EA, & Lederberg, J. “DENDRAL: กรณีศึกษาของระบบผู้เชี่ยวชาญระบบแรกสำหรับการสร้างสมมติฐานทางวิทยาศาสตร์” ปัญญาประดิษฐ์ 61 (1993): 209–261. PDF

[3] Google. “แนะนำ Knowledge Graph: สิ่งต่างๆ ไม่ใช่สตริง” บล็อกอย่างเป็นทางการของ Google (16 พฤษภาคม 2012) ลิงก์

[4] Monroe, D. “ปัญญาประดิษฐ์เชิงสัญลักษณ์ประสาท” การสื่อสารของ ACM (ตุลาคม 2022) DOI

[5] Sahoh, B. และคณะ “บทบาทของปัญญาประดิษฐ์ที่อธิบายได้ในการตัดสินใจที่มีความเสี่ยงสูง: การทบทวน” Patterns (2023) PubMed Central ลิงก์