Artificial Intelligence: Symbolic vs Non-Symbolic Approaches

штучний інтелект, або системний інтелект, є одним із найбільш важливих розділів комп'ютерних наук та технологій. Основною метою штучного інтелекту є створення програмних моделей, які можуть імітувати функції розуму людини та навчатися самостійно від досвіду. Один із ключових підходів у штучному інтелекту полягає у використанні природної мови для взаємодії з людиною та обробки даних. У цій статті ми будемо вивчати основні аспекти роботи зі штучним інтелектом та обробки природної мови.

Основні аспекти штучного інтелекту

Штучний інтелект зазвичай відокремлюється на два основні типи: символічний та зовсім несимволічний. Символічним штучним інтелектом вважають системи, що працюють на базі правил та описів світу в термінах символів, як-от слова чи математичні вирази. Зовсім несимволічний підхід, або глибинне навчання, використовує алгоритми для автоматизації процесу навчання та розв'язання проблем без будь-якого явного представлення даних у символах. Наприклад, одним із найпопулярніших методів зовсім несимвольного штучного інтеléкту є навчальна мережа, яка може розпізнавати образи, події або тексти.

Символічний штучний інтелект

Символічний штучний інтелект реалізовує програмні системи, які створені для моделювання роботи мозку та його різноманітних когнітивних властивостей. Найпоширеніші операції символічного штучного інтелекту включають пошук, класифікацію, планування та логічне мисленню. В рамках цього підходу було спроектовано низку комп'ютерних програм, таких як експертні системи, ланцюжкове програмування та інженерія загального призначення.

Експертні системи

Експертні системи складаються зі структурованих знань та знань про перешкоди, отриманих від людей-експертів. Ці системи можуть бути використані для допомоги людям у їхньому роботі та прийнятті рішень. Вони здатні забезпечувати доступ до великої кількості нових фактів, пов'язаних із певною ділянкою знань, і використовувати цей доступ для виявлення та вирішення конкретних проблем. Багато відомих експертних систем були розроблені для оцінки ризиків, проектування водного транспорту, лікарської діагностики та підтримки наукового дослідження.

Ланцюжкове програмування

Ланцюжкова програма написана для виконання послідовної дії повторного командного доступу до пам'яті. Вона використовується для реального часу настройки параметрів та управління мікроконтроллером. Використовуючи прикладна програма, можна легко контролювати стійкість поведінки робота в різних умовах та експериментувати з його параметрами, щоб отримати оптимальну дію. Ланцюжкова програма також допомагає повною мірою використовувати передовий технологічний стандарт для автономного управління та керування розробкою декількох типів механізмів та пристроїв.

Інжинерія загального призначення

Інженерія загального призначення є підходи для створення систем швидкого навчання, які можуть бути широко застосовані для різних типів додатків, особливо для точних наук та інформаційного пошуку. Підхід базується на теоріях машини Бруна та інших науковців, які розробляють алгоритми для вирішення проблем у галузях статистики, оптимальності, машинного навчання та інших областях.

Зовсім несимволічний штучний інтелект

Зовсім несимволічний підхід до штучного інтелекту, який також називають глибинним навчанням, був розроблений для того, щоб покращувати здатність навчальних та инженерних систем щодо навчання та мінімізації рівнів похибок. Такий підхід досягає своїх цілей за допомогою алгоритмів, які навчаються з обмеженими даними або загалом не мають правил, які визначають їхню суть. Прикладом зовсім несимволічного штучного інтелекту є широко відомий алгоритм навчальної мережі.

Навчальна мережа

Навчальна мережа є основою більшості механізмів глибинного навчання. Вона була розроблена в 1986 році поряд із австралійським математиком Робертом МакК