Jump to content

Սիմվոլիկ ԱԲ

Վիքիպեդիայից՝ ազատ հանրագիտարանից

Արհեստական ​​բանականության մեջ, սիմվոլիկ արհեստական ​​բանականությունը (հայտնի նաև որպես դասական արհեստական ​​բանականություն կամ տրամաբանության վրա հիմնված արհեստական ​​բանականություն)[1][2] տերմին է, որը վերաբերում է արհեստական ​​բանականության հետազոտության բոլոր մեթոդների ամբողջությանը, որոնք հիմնված են տրամաբանության և որոնման խնդիրների բարձր մակարդակի սիմվոլիկ (մարդկանց կողմից ընթեռնելի) ներկայացումների վրա:[3] Սիմվոլիկ արհեստական ​​բանականությունը (ՍԱ) օգտագործում էր այնպիսի գործիքներ, ինչպիսիք են տրամաբանական ծրագրավորումը, արտադրության կանոնները, սեմանտիկ ցանցերը և ֆրեյմները, և մշակում էր այնպիսի կիրառություններ, ինչպիսիք են գիտելիքների վրա հիմնված համակարգերը (մասնավորապես՝ էքսպերտ ​​համակարգերը), սիմվոլիկ մաթեմատիկան, ավտոմատացված թեորեմների ավտոմատացված ապացուցիչները, օնտոլոգիաները, սեմանտիկ ցանցը և պլանավորման համակարգերը: Սիմվոլիկ արհեստական ​​բանականության մոդելը որոնման, սիմվոլիկ ծրագրավորման լեզուների, գործակալների, բազմագործակալ համակարգերի և սեմանտիկ ցանցի, ինչպես նաև ֆորմալ գիտելիքների ու դատողության համակարգերի ուժեղ և թույլ կողմերի ոլորտներում հանգեցրեց կարևոր գաղափարների:

1950-ականների կեսերից մինչև 1990-ականների կեսերը, Սիմվոլիկ արհեստական ​​բանականությունը արհեստական ​​բանականության հետազոտության գերիշխող մոդելն էր։[4] 1960-ական և 1970-ական թվականների հետազոտողները համոզված էին, որ սիմվոլիկ մոտեցումները, ի վերջո, կհաջողեն ստեղծել արհեստական ​​ընդհանուր բանականությամբ մեքենա և սա համարում էին իրենց ոլորտի վերջնական նպատակը:[5] Վաղ շրջանի հաջողությունները, ինչպիսիք են «Լոգիկայի տեսաբանը» և «Սամուելի շաշկի խաղալու ծրագիրը», հանգեցրեցին անիրատեսական սպասումների և խոստումների, և դրան հաջորդեց առաջին արհեստական ​​բանականության ձմեռը, քանի որ ֆինանսավորումը սպառվեց:[6][7] Երկրորդ բումը (1969–1986) տեղի ունեցավ էքսպերտ ​​համակարգերի ի հայտ գալով, կորպորատիվ փորձագիտություն ձեռք բերելու նրանց խոստմամբ:[8][9] Այդ բումին և որոշ վաղ հաջողություններին, օրինակ՝ XCON-ը DEC-ում, կրկին հաջորդեցին հիասթափություններ:[9] Առաջացան գիտելիքների ձեռքբերման, մեծ գիտելիքների բազաների պահպանման և տիրույթից դուրս խնդիրների լուծման անկայունության հետ կապված խնդիրներ: Հաջորդեց ևս մեկ, երկրորդ՝ AI Winter-ը (1988–2011):[10] Հետագայում, AI հետազոտողները կենտրոնացան անորոշության կառավարման և գիտելիքների ձեռքբերման հետ կապված հիմքում ընկած խնդիրների լուծման վրա:[11] Անորոշությունը լուծվեց ֆորմալ մեթոդներով, ինչպիսիք են թաքնված Մարկովյան մոդելները, Բայեսյան դատողությունը և վիճակագրական ռելացիոն ուսուցումը:[12][13] Սիմվոլիկ մեքենայական ուսուցումը լուծեց գիտելիքների ձեռքբերման խնդիրը՝ իր ներդրումներով, ներառյալ տարբերակների տարածությունը, Valiant-ի PAC ուսուցումը, Quinlan-ի ID3 որոշումների ծառի ուսուցումը, դեպքերի վրա հիմնված ուսուցումը և հարաբերություններ սովորելու ինդուկտիվ տրամաբանական ծրագրավորումը:[14]

Նեյրոնային ցանցերը, որոնք ենթասիմվոլիկ մոտեցում են, ուսումնասիրվել են վաղ շրջանից և կրկին ակտիվորեն տարածում ստացան 2012 թվականին: Վաղ օրինակներ են Ռոզենբլատի պերցեպտրոնային ուսուցման աշխատանքը, Ռումելհարտի, Հինտոնի և Ուիլյամսի հետադարձ տարածման աշխատանքը,[15] և ԼեԿունի և այլոց աշխատանքը կոնվոլյուցիոն նեյրոնային ցանցերի վերաբերյալ 1989 թվականին[16] Սակայն, նեյրոնային ցանցերը հաջողակ չէին համարվում մինչև մոտավորապես 2012 թվականը. «Մինչև Մեծ տվյալների տարածումը, արհեստական ​​ինտելեկտի համայնքում ընդհանուր կարծիքն այն էր, որ այսպես կոչված նեյրոնային ցանցի մոտեցումը անհույս է: Համակարգերը պարզապես այդքան էլ լավ չէին աշխատում՝ համեմատած այլ մեթոդների հետ: ... Հեղափոխություն տեղի ունեցավ 2012 թվականին, երբ մի շարք մարդիկ, այդ թվում՝ Հինթոնի հետ աշխատող հետազոտողների թիմը, մշակեցին մի եղանակ՝ օգտագործելու գրաֆիկական պրոցեսորների հզորությունը՝ նեյրոնային ցանցերի հզորությունը զգալիորեն մեծացնելու համար»:[17] Հաջորդ մի քանի տարիների ընթացքում խորը ուսուցումը զարմանալի հաջողություններ ունեցավ տեսողության, խոսքի ճանաչման, խոսքի սինթեզի, պատկերների ստեղծման և մեքենայական թարգմանության մշակման գործում, չնայած սիմվոլիկ մոտեցումները շարունակում են օգտակար լինել մի քանի ոլորտներում, ինչպիսիք են համակարգչային հանրահաշվի համակարգերը և ապացույցների օգնականները:

Պատմություն

[խմբագրել | խմբագրել կոդը]

Ստորև ներկայացված է խորհրդանշական արհեստական ​​բանականության համառոտ պատմությունը մինչև մեր օրերը: Ժամանակագրական ժամանակաշրջաններն ու վերնագրերը վերցված են Հենրի Կաուտցի 2020 թվականի AAAI Ռոբերտ Ս. Էնգելմորի հիշատակի դասախոսությունից[18] և Վիքիպեդիայի արհեստական ​​բանականության պատմության ավելի երկար հոդվածից, որտեղ ամսաթվերն ու վերնագրերը, պարզության համար, փոքր-ինչ տարբերվում են:

Արհեստական ​​բանականության առաջին ամառը. իռացիոնալ առատություն, 1948–1966

[խմբագրել | խմբագրել կոդը]

Արհեստական ​​բանականության վաղ փորձերի հաջողությունը տեղի է ունեցել երեք հիմնական ոլորտներում՝ արհեստական ​​նեյրոնային ցանցեր, գիտելիքների ներկայացում և հևրիստիկ որոնում, ինչը նպաստել է բարձր սպասումների: Այս բաժինը ամփոփում է Կաուտցի վաղ արհեստական ​​բանականության պատմության սեղմ կրկնությունը:

Մոտեցումներ, որոնք ոգեշնչված են մարդու կամ կենդանիների ճանաչողությամբ կամ վարքագծով

[խմբագրել | խմբագրել կոդը]

Կիբեռնետիկ մոտեցումները փորձում էին կրկնօրինակել կենդանիների և նրանց միջավայրի միջև հետադարձ կապի օղակները: Նախապես ծրագրավորված նեյրոնային ցանցի վրա հիմնված սենսորներով, շարժիչներով ռոբոտացված կրիա կառուցվել է դեռևս 1948 թվականին: Այս աշխատանքը կարելի է դիտարկել որպես նեյրոնային ցանցերի, ուժեղացված ուսուցման և տեղակայված ռոբոտաշինության ոլորտում հետագա աշխատանքների վաղ նախադրյալ:[19]

Սիմվոլիկ արհեստական ​​բանականության կարևոր ծրագիր էր «Տրամաբանության տեսաբանը», որը գրվել է Ալեն Նյուելի, Հերբերտ Սայմոնի և Քլիֆ Շոուի կողմից 1955-56 թվականներին, քանի որ այն կարողացավ ապացուցել Ուայթհեդի և Ռասելի «Principia Mathematica»-ից 38 տարրական թեորեմներ: Նյուելը, Սայմոնը և Շոուն ավելի ուշ ընդհանրացրին այս աշխատանքը՝ ստեղծելով տիրույթից անկախ խնդիրների լուծող՝ GPS (General Problem Solver): GPS-ը լուծում էր խնդիրներ, որոնք ներկայացված էին ֆորմալ օպերատորներով՝ վիճակային տարածության որոնման միջոցով՝ օգտագործելով միջոց-նպատակ վերլուծություն[20]։

1960-ականներին սիմվոլիկ մոտեցումները մեծ հաջողությունների հասան կառուցվածքային միջավայրերում ինտելեկտուալ վարքագիծը մոդելավորելու գործում, ինչպիսիք են խաղերը, սիմվոլիկ մաթեմատիկան և թեորեմների ապացուցումը: Արհեստական ​​բանականության հետազոտությունները 1960-ականներին կենտրոնացած էին չորս հաստատություններում՝ Կարնեգի Մելոն համալսարան, Սթենֆորդ, MIT և (ավելի ուշ) Էդինբուրգի համալսարան: Յուրաքանչյուրը մշակեց իր սեփական հետազոտության ոճը: Կիբեռնետիկայի կամ արհեստական ​​նեյրոնային ցանցերի վրա հիմնված նախկին մոտեցումները լքվեցին կամ մղվեցին երկրորդ պլան:

Հերբերտ Սայմոնը և Ալեն Նյուելը ուսումնասիրել են մարդկային խնդիրներ լուծելու հմտությունները և փորձել են դրանք ձևակերպել, և նրանց աշխատանքը հիմք է հանդիսացել արհեստական ​​բանականության ոլորտի, ինչպես նաև ճանաչողական գիտության, գործողությունների հետազոտությունների և կառավարման գիտության համար։ Նրանց հետազոտական ​​​​խումբը օգտագործել է հոգեբանական փորձերի արդյունքները՝ մշակելու ծրագրեր, որոնք մոդելավորում էին մարդկանց կողմից խնդիրներ լուծելու համար օգտագործվող տեխնիկան։[21][22]

Հևրիստիկ որոնում

[խմբագրել | խմբագրել կոդը]

Ի հավելումն տիրույթին բնորոշ նեղ մասնագիտական, գիտելիքներից, որոնք օգտագործվում են ՝քսպերտ ​​համակարգերում, սիմվոլիկ արհեստական ​​բանականության վաղ հետազոտողները հայտնաբերեցին գիտելիքների մեկ այլ, ավելի ընդհանուր կիրառություն: Դրանք կոչվում էին հևրիստիկաներ՝ պրակտիկ կանոններ, որոնք որոնումը ուղղորդում են խոստումնալից ուղղություններով. «Ինչպե՞ս կարող է չհաշվարկվող որոնումը գործնական լինել, երբ հիմքում ընկած խնդիրը էքսպոնենցիալ դժվար է: Սայմոնի և Նյուելի կողմից առաջարկած մոտեցումը հևրիստիկաների կիրառումն է՝ արագ ալգորիթմներ, որոնք կարող են ձախողվել որոշ մուտքային տվյալների վրա, կամ ելքում ոչ օպտիմալ լուծումներ տալ»:[23] Մեկ այլ կարևոր առաջընթաց էր հևրիստիկաների կիրառման միջոց գտնելը, որը երաշխավորում է լուծում գտնելը, եթե այդպիսին կա. «A* ալգորիթմը տրամադրեց ընդհանուր շրջանակ ամբողջական և օպտիմալ հևրիստիկ որոնման համար: Ա*-ն այսօր որպես ենթածրագիր գործնականում օգտագործվում է յուրաքանչյուր արհեստական ​​բանականության ալգորիթմում, բայց դեռևս կախարդական փամփուշտ չէ. դրա ամբողջականության երաշխիքը վատագույն դեպքում էքսպոնենցիալ ժամանակի գինն է:[23]

Գիտելիքի ներկայացման և դատողության վերաբերյալ վաղ աշխատանքները

[խմբագրել | խմբագրել կոդը]

Վաղ աշխատանքները ներառում էին թե ֆորմալ դատողության կիրառությունները՝ շեշտը դնելով առաջին կարգի տրամաբանության վրա, այնպես էլ առողջ բանականության դատողությունները պակաս ֆորմալ ձևով մշակելու փորձերը։

Ֆորմալ դատողության մոդելավորումը տրամաբանությամբ. «կոկիկ»
[խմբագրել | խմբագրել կոդը]

Ի տարբերություն Սայմոնի և Նյուելի, Ջոն Մաքքարթին կարծում էր, որ մեքենաները կարիք չունեն մոդելավորելու մարդկային մտքի ճշգրիտ մեխանիզմները, այլ փոխարենը կարող են փորձել գտնել վերացական դատողության և խնդիրների լուծման էությունը տրամաբանության միջոցով,[24] անկախ նրանից, թե մարդիկ օգտագործել են նույն ալգորիթմները, թե ոչ։ Մաքքարթին մի անգամ ասել է. «Սա ինտելեկտ է, ուստի մեզ համար միևնույն է, թե արդյոք այն հոգեբանորեն իրական է»։[4] Մաքքարթին կրկնել է իր դիրքորոշումը 2006 թվականին AI@50 կոնֆերանսում, որտեղ նա ասել է. «Արհեստական ​​ինտելեկտը, ըստ սահմանման, մարդկային ինտելեկտի սիմուլյացիա չէ»։[25] Պամելա Մաքքորդակը գրում է, որ կան «արհեստական ​​ինտելեկտի երկու հիմնական ճյուղեր. մեկը նպատակ ունի ստեղծել ինտելեկտուալ վարքագիծ՝ անկախ նրանից, թե ինչպես է դա իրականացվել, իսկ մյուսը՝ մոդելավորել բնության մեջ, մասնավորապես՝ մարդկային գործընթացներում հանդիպող ինտելեկտուալ գործընթացները։[26] Ստյուարտ Ռասելը և Պիտեր Նորվիգը գրել են. «Ավիացիոն ճարտարագիտության տեքստերը իրենց ոլորտի նպատակը չեն սահմանում որպես «մեքենաներ պատրաստելը, որոնք թռչում են այնքան ճիշտ ինչպես աղավնիները, որ կարող են խաբել նույնիսկ մյուս աղավնիներին»։[27]}} Նրա Սթենֆորդի լաբորատորիան (SAIL) կենտրոնացած էր ֆորմալ տրամաբանության օգտագործման վրա՝ բազմազան խնդիրներ լուծելու համար, ներառյալ գիտելիքների ներկայացումը, պլանավորումը և ուսուցումը։[28] Տրամաբանությունը նաև Էդինբուրգի համալսարանի և Եվրոպայի այլ վայրերի աշխատանքի կիզակետում էր, ինչը հանգեցրեց Prolog ծրագրավորման լեզվի և տրամաբանական ծրագրավորման գիտության զարգացմանը։[29][30]

Մոդելավորում անուղղակի առողջ բանականության գիտելիքները ֆրեյմերի և սկրիպտների միջոցով. «անփույթ»
[խմբագրել | խմբագրել կոդը]

MIT-ի հետազոտողները (օրինակ՝ Մարվին Մինսկին և Սեյմուր Փեյփերթը)[31][32][33] պարզեցին, որ տեսողության և բնական լեզվի մշակման դժվար խնդիրների լուծումը պահանջում է ad hoc լուծումներ. նրանք պնդում էին, որ ոչ մի պարզ և ընդհանուր սկզբունք (ինչպիսին է տրամաբանությունը) չի կարող ներառել ինտելեկտուալ վարքագծի բոլոր ասպեկտները: Ռոջեր Շանկը նրանց «հակատրամաբանական» մոտեցումները նկարագրել է որպես «անփույթ» (ի տարբերություն CMU-ի և Սթենֆորդի «կոկիկ» մոդելավորումների)[34][35] Առողջ բանականության գիտելիքների բազաները (օրինակ՝ Դագ Լենատի Cyc-ն) «անփույթ» արհեստական ​​բանականության օրինակ են, քանի որ դրանք պետք է կառուցվեն ձեռքով՝ մեկ բարդ հասկացություն մեկ առ մեկ[36][37][38]

Արհեստական ​​բանականության երկրորդ ամառ. գիտելիքը ուժ է, 1978–1987

[խմբագրել | խմբագրել կոդը]

Գիտելիքի վրա հիմնված համակարգեր

[խմբագրել | խմբագրել կոդը]

Քանի որ, ոլորտից անկախ մեթոդների սահմանափակումները ավելի ու ավելի ակնհայտ էին դառնում,[39][40] բոլոր երեք ավանդույթների հետազոտողները սկսեցին գիտելիքներ ներդնել արհեստական ​​բանականության կիրառությունների մեջ։ Գիտելիքի հեղափոխությունը պայմանավորված էր այն գիտակցմամբ, որ բարձր արդյունավետությամբ, ոլորտային արհեստական ​​բանականության կիրառությունների հիմքում ընկած է գիտելիքը։

Էդվարդ Ֆեյգենբաումն ասել է.

  • «Գիտելիքի մեջ է ուժը»։[41]

Որոշակի ոլորտում բարձր արդյունավետությունը պահանջում է ինչպես ընդհանուր, այնպես էլ խիստ ոլորտային գիտելիքներ։ Էդ Ֆեյգենբաումը և Դուգ Լենատը սա անվանել են Գիտելիքի սկզբունք.

(1) Գիտելիքի սկզբունք. եթե ծրագիրը պետք է լավ կատարի բարդ առաջադրանք, այն պետք է շատ բան իմանա այն աշխարհի մասին, որտեղ այն գործում է։
(2) Այդ սկզբունքի հավանական ընդլայնումը, որը կոչվում է Լայնության վարկած. անսպասելի իրավիճակներում ինտելեկտուալ վարքի համար անհրաժեշտ են երկու լրացուցիչ ունակություններ՝ հենվել ավելի ու ավելի ընդհանուր գիտելիքների վրա և անալոգիա անել կոնկրետ, բայց հեռու տարածվող գիտելիքների հետ։[42]

Էքսպերտ համակարգերի հաջողությունը

[խմբագրել | խմբագրել կոդը]

«Գիտելիքների հեղափոխությունը» հանգեցրեց էքսպերտ ​​համակարգերի մշակմանը և ներդրմանը, որոնք արհեստական ​​բանականության ծրագրային ապահովման առաջին առևտրային առումով հաջողակ ձևն էին։[43][44][45]

Հիմնական Էքսպերտ համակարգերն էին․

  • DENDRAL-ը, որը գտնում էր օրգանական մոլեկուլների կառուցվածքը՝ հիմնվելով դրանց քիմիական բանաձևի և զանգվածային սպեկտրոմետրի ցուցմունքների վրա։
  • MYCIN-ը, որը ախտորոշում էր բակտերիեմիա՝ և անհրաժեշտության դեպքում առաջարկում էր հետագա լաբորատոր թեստեր՝ մեկնաբանելով լաբորատոր արդյունքները, հիվանդի պատմությունը և բժշկի դիտարկումները։ «Մոտ 450 կանոններով MYCIN-ը կարողացավ գործել նույնքան լավ, որքան որոշ փորձագետներ, և զգալիորեն ավելի լավ, քան կրտսեր բժիշկները»։[46]
  • INTERNIST-ը և CADUCEUS-ը, որոնք զբաղվում էին ներքին հիվանդությունների ախտորոշմամբ։ Internist-ը փորձեց ներգրավել Փիթսբուրգի համալսարանի բժշկական դպրոցի ներքին հիվանդությունների ամբիոնի վարիչի փորձը, մինչդեռ CADUCEUS-ը, ի վերջո, կարող էր ախտորոշել մինչև 1000 տարբեր հիվանդություններ։
  • GUIDON-ը, որը ցույց տվեց, թե ինչպես կարող է փորձագիտական ​​խնդիրների լուծման համար ստեղծված գիտելիքների բազան վերաօգտագործվել ուսուցման համար։[47]
  • XCON-ը՝ VAX համակարգիչները կարգավորելու համար, որը այդ ժամանակ աշխատատար գործընթաց էր, որը կարող էր տևել մինչև 90 օր: XCON-ը կրճատեց ժամանակը մինչև մոտ 90 րոպե[10]

DENDRAL-ը համարվում է առաջին էքսպերտ ​​համակարգը, որը հիմնված էր մեծ ծավալով գիտելիքներ պահանջող խնդիրների լուծման վրա: Այն նկարագրված է ստորև՝ Էդ Ֆեյգենբաումի հետ հարցազրույցից։

Սթենֆորդի համակարգչային մոդելներով հետաքրքրված մարդկանցից մեկը Ջոշուա Լեդերբերգն էր՝ 1958 թվականի գենետիկայի Նոբելյան մրցանակի դափնեկիրը։ Երբ ես նրան ասացի, որ ուզում եմ ինդուկցիոն «ավազատուփ», նա ասաց. «Ես ունեմ հենց այն, ինչ քեզ պետք է»։ Նրա լաբորատորիան զբաղվում էր ամինաթթուների զանգվածային սպեկտրոմետրիայով։ Հարցն այն էր, թե ինչպե՞ս կարելի է ամինաթթվի սպեկտրի դիտարկումից անցնել ամինաթթվի քիմիական կառուցվածքին։ Ահա թե ինչպես մենք սկսեցինք DENDRAL նախագիծը. ես լավ էի տիրապետում հևրիստիկ որոնման մեթոդներին, իսկ նա ուներ ալգորիթմ, որը լավ էր քիմիական խնդիրների տարածք գեներացնելու մեջ։

Մենք չունեինք մեծ տեսլական։ Մենք աշխատում էինք ներքևից վերև։ Մեր քիմիկոսը Կառլ Ջերասին էր՝ հակաբեղմնավորիչ դեղահաբերի հիմքում ընկած քիմիական նյութի գյուտարարը, ինչպես նաև աշխարհի ամենահարգված զանգվածային սպեկտրոմետրիստներից մեկը։ Կառլը և նրա հետդոկտորանտները զանգվածային սպեկտրոմետրիայի համաշխարհային մակարդակի մասնագետներ էին։ Մենք սկսեցինք ավելացնել նրանց գիտելիքները՝ ժամանակի ընթացքում հորինելով ինժեներական գիտելիքներ։ Այս փորձերը հանգեցրին DENDRAL-ի ավելի ու ավելի շատ գիտելիքների ձեռքբերմանը։ Որքան շատ էինք անում, այնքան ավելի խելացի էր դառնում ծրագիրը։ Մենք շատ լավ արդյունքներ ունեցանք։

Ընդհանրացումն այսպիսին էր. գիտելիքի մեջ է ուժը։ Սա էր գլխավոր գաղափարը։ Իմ կարիերայում դա հսկայական «Ա՜հա» արտահայտությունն էր, և դա այն ձևը չէր, որով արհեստական ​​բանականությունը նախկինում արվում էր։ Հնչում է պարզ, բայց դա, հավանաբար, արհեստական ​​բանականության ամենահզոր ընդհանրացումն է։[48]

Վերը նշված մյուս էքսպերտ ​​համակարգերը ի հայտ եկան DENDRAL-ից հետո: [47]

Շախմատի փորձագետների գիտելիքները կոդավորված էին Deep Blue-ում: 1996 թվականին սա թույլ տվեց IBM-ի Deep Blue-ին, սիմվոլիկ արհեստական ​​բանականության օգնությամբ, հաղթել այդ ժամանակվա շախմատի աշխարհի չեմպիոն Գարի Կասպարովին:[49]

Գիտելիքների վրա հիմնված և էքսպերտ համակարգերի ճարտարապետությունը
[խմբագրել | խմբագրել կոդը]

Բոլոր էքսպերտ ​​համակարգերի համար ճարտարապետության հիմնական բաղադրիչը գիտելիքների բազան է, որը պահպանում է խնդիրների լուծման փաստեր և կանոններ:[50] Էքսպերտ ​​համակարգի գիտելիքների բազայի ամենապարզ մոտեցումը արտադրության կանոնների հավաքածու է կամ ցանց: Արտադրության կանոնները սիմվոլները կապում են «Եթե-Այն» հայտարարության նման հարաբերություններով: Էքսպերտ ​​համակարգը մշակում է կանոններ՝ եզրակացություններ անելու և որոշելու համար, թե ինչ լրացուցիչ տեղեկատվություն է անհրաժեշտ, այսինքն՝ ինչ հարցեր տալ՝ օգտագործելով մարդու համար ընթեռնելի սիմվոլներ: Օրինակ՝ OPS5-ը, CLIPS-ը և դրանց հաջորդները՝ Ջեսը և Դրուոլսը, գործում են այս ձևով:

Էքսպերտ ​​համակարգերը կարող են գործել կամ առաջ շղթայական՝ ապացույցներից մինչև եզրակացություններ, կամ հակադարձ շղթայով՝ նպատակներից մինչև անհրաժեշտ տվյալներ և նախապայմաններ: Ավելի առաջադեմ գիտելիքների վրա հիմնված համակարգերը, ինչպիսին է Soar-ը, կարող են նաև իրականացնել մետա-մակարդակի դատողություն, այսինքն՝ դատողություն իրենց սեփական դատողության վերաբերյալ՝ որոշելու, թե ինչպես լուծել խնդիրները և վերահսկելու խնդիրների լուծման ռազմավարությունների հաջողությունը։

Գրատախտակի համակարգերը գիտելիքահենք կամ էքսպերտ ​​համակարգերի ճարտարապետության երկրորդ տեսակն են: Դրանք մոդելավորում են փորձագետների համայնք, որը խնդիրը լուծելու համար աստիճանաբար ներդրում է անում: Խնդիրը ներկայացված է աբստրակցիայի կամ այլընտրանքային տեսակետների բազմաթիվ մակարդակներով: Փորձագետները (գիտելիքների աղբյուրները) կամավոր իրենց ծառայություններն են մատուցում, երբ գիտակցում են, որ կարող են ներդրում ունենալ: Հնարավոր խնդիրների լուծման գործողությունները ներկայացված են օրակարգում, որը թարմացվում է խնդրի իրավիճակի փոփոխությանը զուգընթաց: Վերահսկիչը որոշում է, թե որքան օգտակար է յուրաքանչյուր ներդրումը և ով պետք է կատարի հաջորդ խնդիրը լուծելու գործողությունը:[51]

Արհեստական ​​բանականության երկրորդ ձմեռը, 1988–1993թթ.

[խմբագրել | խմբագրել կոդը]

Արհեստական ​​բանականության բումի գագաթնակետին այնպիսի ընկերություններ, ինչպիսիք են Symbolics-ը, LMI-ը և Texas Instruments-ը, վաճառում էին LISP մեքենաներ, որոնք հատուկ ուղղված էին արհեստական ​​բանականության կիրառությունների և հետազոտությունների զարգացմանը: Բացի այդ, մի քանի արհեստական ​​բանականության ընկերություններ, ինչպիսիք են Teknowledge-ը և Inference Corporation-ը, վաճառում էին էքսպերտ ​​համակարգերի վահանակներ, ուսուցում և խորհրդատվություն կորպորացիաներին:

Ցավոք, արհեստական ​​բանականության բումը երկար չտևեց, և Կաուտցը լավագույնս նկարագրում է հաջորդած երկրորդ արհեստական ​​բանականության ձմեռը.

Արհեստական ​​բանականության երկրորդ ձմռան գալու բազմաթիվ պատճառներ կարելի է թվարկել: Սարքավորումների ընկերությունները ձախողվեցին, երբ շուկա մտան Sun-ի շատ ավելի մատչելի ընդհանուր Unix աշխատանքային կայաններ: Էքսպերտ ​​համակարգերի շատ առևտրային տեղակայումներ կարճվեցին, երբ պարզվեց,որ դրանց շահագործումը չափազանց թանկ է: Բժշկական էքսպերտ ​​համակարգերը երբեք լայն տարածում չգտան մի քանի պատճառներով՝ դրանք թարմացնելու դժվարությունը, բժիշկների համար մարտահրավերը՝ սովորել, թե ինչպես օգտագործել տարբեր էքսպերտ ​​համակարգերի բազմազանությունից տարբեր բժշկական վիճակների համար. և, թերևս, ամենակարևորը՝ բժիշկների դժկամությունը՝ վստահելու համակարգչային ախտորոշմանը, քան իրենց ներքին զգացողությանը: Ռիսկային կապիտալի միջոցները գրեթե մեկ գիշերվա ընթացքում լքեցին արհեստական ​​բանականությունը: IJCAI-ի համաշխարհային արհեստական ​​բանականության համաժողովը 1987 թվականին Վանկուվերում հյուրընկալեց հսկայական և շքեղ առևտրային ցուցահանդես և հազարավոր ոչ ակադեմիական մասնակիցների. հաջորդ տարի Սեյնթ Փոլում կայացած արհեստական ​​բանականության գլխավոր համաժողովը՝ AAAI 1988-ը, փոքր և խիստ ակադեմիական միջոցառում էր։[23]

Ավելի խիստ հիմքեր ավելացնելով՝ 1993–2011թթ.

[խմբագրել | խմբագրել կոդը]

Անորոշ դատողություն

[խմբագրել | խմբագրել կոդը]

Փորձարկվեցին ինչպես վիճակագրական մոտեցումներ, այնպես էլ տրամաբանության ընդլայնումներ։

Մեկ վիճակագրական մոտեցում՝ թաքնված Մարկովյան մոդելները, արդեն տարածվել էր 1980-ականներին խոսքի ճանաչման աշխատանքների համար։[52] Հետագայում, 1988 թվականին, Ջուդիա Պերլը տարածեց Բայեսյան ցանցերի օգտագործումը որպես անորոշ դատողությունների լուծման հուսալի, արդյունավետ միջոց՝ հրատարակելով իր «Հավանական դատողություն ինտելեկտուալ համակարգերում. Ճշմարտանման եզրակացության ցանցեր» գիրքը:[53] և Բայեսյան մոտեցումները հաջողությամբ կիրառվեցին էքսպերտ ​​համակարգերում։.[54] Ավելի ուշ՝ 1990-ականներին, վիճակագրական ռելացիոն ուսուցումը՝ մոտեցում, որը համատեղում է հավանականությունը տրամաբանական բանաձևերի հետ, թույլ տվեց հավանականությունը համատեղել առաջին կարգի տրամաբանության հետ։

Աջակցելու համար փորձարկվեցին նաև առաջին կարգի տրամաբանության այլ, ոչ հավանականական ընդլայնումներ։ Օրինակ, ոչ մոնոտոն դատողությունը կարող էր օգտագործվել ճշմարտության պահպանման համակարգերի հետ։ Ճշմարտության պահպանման համակարգը հետևում էր բոլոր եզրակացությունների ենթադրություններին և հիմնավորումներին: Այն թույլ էր տալիս հետ վերցնել եզրակացությունները, երբ պարզվում էր, որ ենթադրությունները սխալ են կամ հակասության հետևանքով է առաջացել:[55] Լոտֆի Զադեհը ներկայացրել էր այլ տեսակի ընդլայնում՝ անորոշության ներկայացումը կարգավորելու համար: Օրինակ՝ մարդու «ծանր» կամ «բարձրահասակ» լինելը որոշելիս հաճախ չկա հստակ «այո» կամ «ոչ» պատասխան, և ծանր կամ բարձրահասակ լինելու պրեդիկատը փոխարենը կվերադարձներ 0-ի և 1-ի միջև արժեքներ: Այդ արժեքները ներկայացնում էին, թե որքանով էին պրեդիկատները ճշմարիտ: Նրա աղոտ տրամաբանությունը նաև միջոց էր տրամադրում այդ արժեքների համադրությունները տրամաբանական բանաձևերի միջոցով տարածելու համար:[56]

Մեքենայական ուսուցում

[խմբագրել | խմբագրել կոդը]

Գիտելիքների ձեռքբերման խոչընդոտը վերացնելու համար ուսումնասիրվել են սիմվոլիկ մեքենայական ուսուցման մոտեցումներ: Ամենավաղ մոտեցումներից մեկը Meta-DENDRAL-ն է: Meta-DENDRAL-ը, հավանական կանոնների վարկածներ ստեղծելու համար, օգտագործել է «ստեղծել և փորձարկել» տեխնիկան: Բնագավառի և առաջադրանքների իմացությունը նվազեցրել է փորձարկվող թեկնածուների թիվը՝ հասցնելով կառավարելի չափի: Ֆեյգենբաումը Meta-DENDRAL-ը նկարագրել է որպես

...իմ երազանքի գագաթնակետը՝ 1960-ականների սկզբից մինչև կեսերը տեսության ձևավորման հետ կապված: Հայեցակարգն այն էր, որ դուք ունեք DENDRAL-ի նման խնդիրների լուծող, որը վերցնում է որոշ մուտքային տվյալներ և ստեղծում արդյունք: Դա անելով՝ այն օգտագործում է գիտելիքների շերտեր՝ որոնումը կառավարելու և կրճատելու համար: Այդ գիտելիքները հայտնվել են այնտեղ, քանի որ մենք հարցազրույցներ ենք վերցրել մարդկանցից: Բայց ինչպե՞ս են մարդիկ ստացել գիտելիքները: Հազարավոր սպեկտրներ նայելով: Այսպիսով, մենք ուզում էինք մի ծրագիր, որը կդիտարկեր հազարավոր սպեկտրներ և կեզրակացներ զանգվածային սպեկտրոմետրիայի գիտելիքները, որոնք DENDRAL-ը կարող է օգտագործել առանձին վարկածների ձևավորման խնդիրները լուծելու համար: Մենք դա արեցինք: Մենք նույնիսկ կարողացանք հրապարակել զանգվածային սպեկտրոմետրիայի նոր գիտելիքներ Ամերիկյան քիմիական ընկերության ամսագրում՝ միայն ծանոթագրության մեջ նշելով, որ Meta-DENDRAL ծրագիրը իրականում դա արել է: Մենք կարողացանք անել այն, ինչ երազանք էր. համակարգչային ծրագիր ստեղծել նոր և հրապարակելի գիտական ​​աշխատանք:[48]

Meta-DENDRAL-ի գիտելիքների վրա հիմնված մոտեցման ի տարբերություն, Ռոս Քվինլանը հորինեց վիճակագրական դասակարգման տիրույթից անկախ մոտեցում՝ որոշումների ծառի ուսուցում, սկզբում սկսելով ID3-ից[57], ապա ավելի ուշ ընդլայնելով դրա հնարավորությունները մինչև C4.5:[58] Ստեղծված որոշումների ծառերը ապակե տուփի, մեկնաբանելի դասակարգիչներ են՝ մարդու կողմից մեկնաբանելի դասակարգման կանոններով:

Առաջընթացներ եղան նաև մեքենայական ուսուցման տեսության հասկացման մեջ: Թոմ Միտչելը ներկայացրեց տարբերակների տարածության ուսուցումը, որը նկարագրում է ուսուցումը որպես որոնում վարկածների տարածության մեջ՝ վերին, ավելի ընդհանուր և ստորին, ավելի կոնկրետ սահմաններով, որոնք ներառում են բոլոր կենսունակ վարկածները, որոնք համապատասխանում են մինչ այժմ տեսած օրինակներին:[59] Ավելի ֆորմալ Valiant-ը ներկայացրեց «Հավանաբար մոտավորապես ճիշտ ուսուցում» (PAC Learning) ծրագիրը, որը մեքենայական ուսուցման մաթեմատիկական վերլուծության շրջանակ է:[60]

Սիմվոլիկ մեքենայական ուսուցումը ընդգրկում էր ոչ միայն օրինակով ուսուցումը: Օրինակ՝ Ջոն Անդերսոնը ներկայացրեց մարդկային ուսուցման ճանաչողական մոդել, որտեղ հմտությունների պրակտիկան իր ACT-R ճանաչողական ճարտարապետությամբ կանոնների համադրման է հանգեցնում հայտարարական ձևաչափից մինչև ընթացակարգային ձևաչափ: Օրինակ՝ ուսանողը կարող է սովորել կիրառել «Լրացուցիչ անկյունները երկու անկյուններ են, որոնց չափումների գումարը 180 աստիճան է» սկզբունքը որպես մի քանի տարբեր ընթացակարգային կանոններ: Օրինակ՝ մեկ կանոն կարող է ասել, որ եթե X-ը և Y-ը լրացուցիչ են, և դուք գիտեք X-ը, ապա Y-ը կլինի 180 - X: Նա իր մոտեցումը անվանեց «գիտելիքների համադրում»: ACT-R-ը հաջողությամբ օգտագործվել է մարդկային ճանաչողության այնպիսի ասպեկտներ մոդելավորելու համար, ինչպիսիք են ուսուցումը և հիշողությունը: ACT-R-ը նաև օգտագործվում է ինտելեկտուալ դասավանդման համակարգերում, որոնք կոչվում են ճանաչողական դասավանդողներ, դպրոցականներին երկրաչափություն, համակարգչային ծրագրավորում և հանրահաշիվ հաջողությամբ սովորեցնելու համար:[61]

Ինդուկցիոն տրամաբանական ծրագրավորումը ուսուցման մեկ այլ մոտեցում էր, որը թույլ էր տալիս տրամաբանական ծրագրերը սինթեզել մուտքային-ելքային օրինակներից: Օրինակ՝ Էհուդ Շապիրոյի MIS-ը (Մոդելային եզրակացության համակարգ) կարող էր Prolog ծրագրերը սինթեզել օրինակներից:[62] Ջոն Ռ. Կոզան կիրառեց գենետիկական ալգորիթմներ՝ գենետիկական ծրագրավորում ստեղծելու համար, որն օգտագործեց LISP ծրագրերը սինթեզելու համար: Վերջապես, Զոհար Մաննան և Ռիչարդ Վալդինգերը առաջարկեցին ծրագրերի սինթեզի ավելի ընդհանուր մոտեցում, որը սինթեզում է ֆունկցիոնալ ծրագիր՝ դրա սպեցիֆիկացիաների ճիշտ լինելը ապացուցելու ընթացքում:[63]

Լոգիկայի այլընտրանքային տարբերակ՝ Ռոջեր Շանկը ներկայացրեց դեպքերի վրա հիմնված դատողությունը (CBR): Նրա «Դինամիկ հիշողություն» գրքում ներկայացված CBR մոտեցումը,[64] նախ կենտրոնանում է խնդիրների լուծման հիմնական դեպքերը հիշելու և դրանք համապատասխանաբար ընդհանրացնելու վրա՝ ապագա օգտագործման համար: Նոր խնդրի բախվելիս CBR-ը վերցնում է նախորդ ամենանման դեպքը և հարմարեցնում այն ​​ընթացիկ խնդրի առանձնահատկություններին:[65] Լոգիկայի մեկ այլ այլընտրանք՝ գենետիկական ալգորիթմները և գենետիկական ծրագրավորումը հիմնված են ուսուցման էվոլյուցիոն մոդելի վրա, որտեղ կանոնների հավաքածուները կոդավորվում են պոպուլյացիաների մեջ, կանոնները կառավարում են անհատների վարքագիծը, իսկ ամենահամապատասխանների ընտրությունը կտրում է անհամապատասխան կանոնների հավաքածուները բազմաթիվ սերունդների ընթացքում:[66]

Սիմվոլիկ մեքենայական ուսուցումը կիրառվել է հասկացությունների, կանոնների, հևրիստիկայի և խնդիրների լուծման ուսուցման համար: Վերը նշվածներից բացի այլ մոտեցումներն են՝

  1. Սովորել հրահանգներից կամ խորհուրդներից, այսինքն՝ մարդկային հրահանգները որպես խորհուրդ ընդունելը և որոշելը, թե ինչպես դրանք գործնականում կիրառել որոշակի իրավիճակներում: Օրինակ՝ «Սրտեր» խաղում՝ սովորել, թե ինչպես ճիշտ խաղալ ձեռքը՝ «միավորներ չհավաքելու համար»:[67]
  2. Սովորել օրինակներից՝ բարելավել կատարողականը՝ ընդունելով առարկայական փորձագետի (ՓՄԵ) կարծիքը մարզումների ընթացքում: Երբ խնդիրների լուծումը ձախողվում է, հարցնել փորձագետին՝ կամ սովորելու նոր օրինակ խնդիրների լուծման համար, կամ սովորելու նոր բացատրություն այն մասին, թե ինչու է մեկ օրինակն ավելի կարևոր, քան մյուսը: Օրինակ, Protos ծրագիրը սովորել է ախտորոշել ականջների զնգոցները՝ շփվելով աուդիոլոգի հետ:[68]
  3. Սովորել անալոգիայով՝ կառուցել խնդիրների լուծումներ՝ հիմնվելով անցյալում հանդիպած նմանատիպ խնդիրների վրա, ապա փոփոխել դրանց լուծումները՝ համապատասխանեցնելով նոր իրավիճակին կամ ոլորտին:[69][70]
  4. Աշակերտական ​​ուսուցման համակարգեր՝ սովորել խնդիրների նոր լուծումներ՝ դիտարկելով մարդկային խնդիրների լուծումը: Ոլորտի գիտելիքները բացատրում են, թե ինչու են նոր լուծումները ճիշտ և ինչպես կարելի է ընդհանրացնել լուծումը: LEAP-ը սովորել է, թե ինչպես նախագծել VLSI սխեմաներ՝ դիտարկելով մարդկային նախագծողներին:[71]
  5. Սովորել հայտնաբերմամբ՝ այսինքն՝ ստեղծել առաջադրանքներ փորձեր իրականացնելու համար, ապա սովորել արդյունքներից: Օրինակ՝ Դագ Լենատի Եվրիսկոն երկու տարի անընդմեջ սովորեց հևրիստիկաներ՝ «Ճանապարհորդ» դերային խաղում մարդ խաղացողներին հաղթելու համար:[72]
  6. Մակրոտերների ուսուցում՝ այսինքն՝ օգտակար մակրոօպերատորների որոնում, որոնք կարելի է սովորել հիմնական խնդիրների լուծման գործողությունների հաջորդականություններից: Լավ մակրոօպերատորները պարզեցնում են խնդիրների լուծումը՝ թույլ տալով, որ խնդիրները լուծվեն ավելի վերացական մակարդակում:[73]

Խորը ուսուցում և նեյրոսիմվոլիկ արհեստական ​​բանականություն 2011–այժմ

[խմբագրել | խմբագրել կոդը]

Խորը ուսուցման զարգացման հետ մեկտեղ, սիմվոլիկ արհեստական ​​բանականության մոտեցումը համեմատվել է խորը ուսուցման հետ որպես լրացնող «... արհեստական ​​բանականության հետազոտողները բազմիցս զուգահեռներ են անցկացրել Կանեմանի մարդկային դատողության և որոշումների կայացման վերաբերյալ հետազոտությունների միջև, որոնք արտացոլված են նրա «Մտածել, արագ և դանդաղ» գրքում, և այսպես կոչված «Արհեստական ​​բանականության համակարգեր 1 և 2»-ի միջև, որոնք սկզբունքորեն համապատասխանաբար մոդելավորվելու են խորը ուսուցման և սիմվոլիկ դատողության միջոցով»: Այս տեսանկյունից, սիմվոլիկ դատողությունն ավելի հակված է մտածված դատողության, պլանավորման և բացատրության, մինչդեռ խորը ուսուցումը հարմար է աղմկոտ տվյալներով ընկալող կիրառություններում օրինաչափությունների արագ ճանաչմանը:[74][75]

Նեյրոսիմվոլիկ արհեստական ​​բանականություն. նեյրոնային և սիմվոլիկ մոտեցումների ինտեգրում

[խմբագրել | խմբագրել կոդը]

Նեյրոսիմբոլիկ արհեստական ​​բանականությունը փորձում է ինտեգրել նեյրոնային և սիմվոլիկ ճարտարապետությունները այնպես, որ յուրաքանչյուրի ուժեղ և թույլ կողմերը հաշվի առնելով, միմյանց լրացնելով՝ աջակցի դատողության, ուսուցման և ճանաչողական մոդելավորման ունակ ամուր արհեստական ​​բանականությանը: Ինչպես պնդում են Valiant-ը[76] և շատ ուրիշներ,[77] հարուստ հաշվողական ճանաչողական մոդելների արդյունավետ կառուցումը պահանջում է առողջ սիմվոլիկ դատողության և արդյունավետ (մեքենայական) ուսուցման մոդելների համադրություն: Գարի Մարկուսը, նմանապես, պնդում է, որ. «Մենք չենք կարող կառուցել հարուստ ճանաչողական մոդելներ համարժեք, ավտոմատացված եղանակով՝ առանց հիբրիդային ճարտարապետության, հարուստ նախնական գիտելիքների և դատողության բարդ տեխնիկայի եռամիասնության»,[78] և մասնավորապես. «Արհեստական ​​բանականությանը կայուն, գիտելիքների վրա հիմնված մոտեցում կառուցելու համար մենք պետք է մեր գործիքակազմում ունենանք սիմվոլների մանիպուլյացիայի մեխանիզմ: Օգտակար գիտելիքների չափազանց մեծ մասը աբստրակտ է, որպեսզի կարողանանք առանց աբստրակցիան ներկայացնող և մանիպուլյացնող գործիքների գոյատևել, և մինչ օրս միակ մեխանիզմը, որը մենք գիտենք և որը կարող է հուսալիորեն մանիպուլացնել նման աբստրակտ գիտելիքները, սիմվոլների մանիպուլյացիայի սարքն է»:[79]

Հենրի Կաուտցը,[18] Ֆրանչեսկա Ռոսսին,[80] և Բարտ Սելմանը[81] նույնպես հանդես են եկել սինթեզի օգտին: Նրանց փաստարկները հիմնված են Դանիել Կանեմանի «Մտածողություն, արագ և դանդաղ» գրքում քննարկվող մտածողության երկու տեսակները քննարկելու անհրաժեշտության վրա: Կանեմանը մարդկային մտածողությունը նկարագրում է որպես երկու բաղադրիչ ունեցող: Համակարգ 1-ը արագ, ավտոմատ, ինտուիտիվ և անգիտակից է: Համակարգ 2-ը ավելի դանդաղ, քայլ առ քայլ և թափանցիկ է: Համակարգ 1-ը օգտագործվում է օրինաչափությունների ճանաչման համար, մինչդեռ Համակարգ 2-ը շատ ավելի հարմար է պլանավորման, դեդուկցիայի և խորհրդակցական մտածողության համար: Այս տեսանկյունից, խորը ուսուցումը լավագույնս մոդելավորում է մտածողության առաջին տեսակը, մինչդեռ սիմվոլիկ դատողությունը լավագույնս մոդելավորում է երկրորդ տեսակը, և երկուսն էլ անհրաժեշտ են:

Գարսեսը և Լեմբը այս ոլորտում հետազոտությունները նկարագրում են որպես շարունակական առնվազն վերջին քսան տարիների ընթացքում,[82] որոնք սկիզբ են առնում նրանց 2002 թվականի նեյրոսիմվոլիկ ուսուցման համակարգերի մասին գրքից։[83] 2005 թվականից ի վեր ամեն տարի անցկացվում է նեյրոսիմվոլիկ դատողության վերաբերյալ մի շարք սեմինարներ։[84]

2015 թվականի «Նեյրոսիմվոլիկ ուսուցում և դատողություն. ներդրումներ և մարտահրավերներ» հոդվածում Գարսեսը և այլք պնդում են, որ.

Արհեստական ​​բանականության սիմվոլիկ և կոնեկցիոնիստական ​​​​մոդելների ինտեգրումը վերջին երկու տասնամյակների ընթացքում ուսումնասիրվել է համեմատաբար փոքր հետազոտական ​​​​համայնքի կողմից և տվել է մի քանի նշանակալի արդյունքներ։ Վերջին տասնամյակում ցույց է տրվել, որ նեյրոնային սիմվոլիկ համակարգերը կարող են հաղթահարել նեյրոնային ցանցերի այսպես կոչված առաջարկական ​​ֆիքսացիան, ինչպես Մաքքարթին (1988) ասել է Սմոլենսկուն (1988) ի պատասխան: Ցույց է տրվել, որ նեյրոնային ցանցերը կարող են ներկայացնել մոդալ և ժամանակային տրամաբանություններ (d'Avila Garcez and Lamb, 2006) և առաջին կարգի տրամաբանության բեկորներ (Bader, Hitzler, Hölldobler, 2008; d'Avila Garcez, Lamb, Gabbay, 2009): Ավելին, նեյրոնային-սիմվոլիկ համակարգերը կիրառվել են կենսաինֆորմատիկայի, կառավարման ճարտարագիտության, ծրագրային ապահովման ստուգման և հարմարեցման, տեսողական ինտելեկտի, օնտոլոգիայի ուսուցման և համակարգչային խաղերի ոլորտներում մի շարք խնդիրների լուծման համար:[77]

Ինտեգրման մոտեցումները բազմազան են: Ստորև՝ Հենրի Կաուտցի նեյրոսիմվոլիկ ճարտարապետությունների տաքսոնոմիան, ինչպես նաև որոշ օրինակներ․

  • Սիմվոլիկ Նեյրոնային սիմվոլիկ—բնական լեզվի մշակման բազմաթիվ նեյրոնային մոդելների ներկայիս մոտեցումն է, որտեղ բառերը կամ ենթաբառերի տոկենները մեծ լեզվական մոդելների վերջնական մուտքն ու ելքն են։ Օրինակներից են BERT-ը, RoBERTa-ն և GPT-3-ը։
  • Սիմվոլիկ[Նեյրոնային]—օրինակ է AlphaGo-ն, որտեղ սիմվոլիկ տեխնիկաները օգտագործվում են նեյրոնային տեխնիկաները կանչելու համար։ Այս դեպքում սիմվոլիկ մոտեցումը Մոնտե Կառլո ծառի որոնումն է, և նեյրոնային տեխնիկաները սովորեցնում են, թե ինչպես գնահատել խաղի դիրքերը։
  • Նեյրոնային|Սիմվոլիկ—օգտագործում է նեյրոնային ճարտարապետություն՝ ընկալողական տվյալները որպես սիմվոլներ և հարաբերություններ մեկնաբանելու համար, որոնք այնուհետև վերլուծվում են։
  • Նեյրոնային։ Սիմվոլիկ → Նեյրոնային—հիմնվում է սիմվոլիկ դատողության վրա՝ ստեղծելու կամ պիտակավորելու մարզման տվյալներ, որոնք հետագայում ուսումնասիրվում են խորը ուսուցման մոդելի կողմից, օրինակ՝ մարզելու նեյրոնային մոդելը սիմվոլիկ հաշվարկների համար՝ օգտագործելով Macsyma-անման սիմվոլիկ մաթեմատիկական համակարգ՝ օրինակներ ստեղծելու կամ պիտակավորելու համար։
  • Նեյրոնային_{Սիմվոլիկ}—օգտագործում է նեյրոնային ցանց, որը ստեղծվում է սիմվոլիկ կանոններից: Օրինակ է Նեյրոնային թեորեմի ապացուցիչը,[85] որը կառուցում է նեյրոնային ցանց՝ գիտելիքների բազայի կանոններից և տերմիններից ստացված ԵՎ-ԿԱՄ ապացույցի ծառից: Լոգիկայի թենզորային ցանցերը[86] նույնպես ընկնում են այս կատեգորիայի մեջ:
  • Նեյրոնային[Սիմվոլիկ]—թույլ է տալիս նեյրոնային մոդելին անմիջապես կանչել խորհրդանշական դատողության շարժիչ, օրինակ՝ գործողություն կատարելու կամ վիճակը գնահատելու համար:

Բազմաթիվ հիմնական հետազոտական ​​հարցեր են մնում, ինչպիսիք են՝

  • Ո՞րն է նեյրոնային և սիմվոլիկ ճարտարապետություններն ինտեգրելու լավագույն եղանակը:[87]
  • Ինչպե՞ս պետք է սիմվոլիկ կառուցվածքները նեյրոնային ցանցերում ներկայացվեն և դրանցից դուրս բերվեն:
  • Ինչպե՞ս սովորել և դատողություններ անել առողջ բանականության գիտելիքների վերաբերյալ:
  • Ինչպե՞ս մշակել տրամաբանորեն դժվար կոդավորվող աբստրակտ գիտելիքները:

Մեթոդներ և ներդրումներ

[խմբագրել | խմբագրել կոդը]

Այս բաժնում ներկայացված է մեթոդների և ներդրումների համառոտ նկարագրությունը, ինչը հանգեցնում է Վիքիպեդիայի բազմաթիվ այլ, ավելի մանրամասն հոդվածների։ Մեքենայական ուսուցման և ոչ որոշակի դատողության վերաբերյալ բաժինները լուսաբանվել են պատմության բաժնում։

Արհեստական ​​բանականության ծրագրավորման լեզուներ

[խմբագրել | խմբագրել կոդը]

Սիմվոլիկ արհեստական ​​բանականության վերջին բումի շրջանում ԱՄՆ-ում արհեստական ​​բանականության հիմնական ծրագրավորման լեզուն LISP-ն էր: LISP-ը FORTRAN-ից հետո երկրորդ ամենահին ծրագրավորման լեզուն է և ստեղծվել է 1958 թվականին Ջոն Մաքքարթիի կողմից:

LISP-ի կողմից առաջարկված հիմնական նորարարությունները, որոնք տարածվել են այլ ծրագրավորման լեզուներում, ներառում են.

  • Աղբի հավաքում
  • Դինամիկ տիպավորում
  • Բարձր կարգի ֆունկցիաներ
  • Ռեկուրսիա
  • Պայմանական հրամաններ

Ծրագրերն իրենք տվյալների կառուցվածքներ էին, որոնց վրա կարող էին աշխատել այլ ծրագրեր, ինչը թույլ էր տալիս հեշտությամբ սահմանել բարձր մակարդակի լեզուները։

Ի տարբերություն ԱՄՆ-ի, Եվրոպայում նույն ժամանակահատվածում արհեստական ​​բանականության հիմնական ծրագրավորման լեզուն Prolog-ն էր: Prolog-ը տրամադրում էր փաստերի և պնդումների ներկառուցված պահոց, որոնք կարող էին հարցվել կարդալ-գնահատել-տպել ցիկլով: Պահոցը կարող էր գործել որպես գիտելիքների բազա, իսկ պնդումերը կարող էին գործել որպես կանոններ կամ տրամաբանության սահմանափակ ձև: Որպես առաջին կարգի տրամաբանության ենթաբազմություն՝ Prolog-ը հիմնված էր Horn պնդումների վրա՝ փակ աշխարհի ենթադրությամբ (ցանկացած անհայտ փաստ համարվում էր կեղծ) և պարզունակ տերմինների համար եզակի անվան ենթադրությունով, օրինակ՝ barack_obama նույնականացուցիչը համարվում էր, որ վերաբերում է ճիշտ մեկ օբյեկտի: Հետադարձ կապը և միավորումը ներկառուցված են Prolog-ում:

Ալեն Կոլմերաուերը և Ֆիլիպ Ռուսելը համարվում են Prolog-ի հեղինակները: Prolog-ը տրամաբանական ծրագրավորման մի ձև է, որը հորինել է Ռոբերտ Կովալսկին: Դրա պատմությունը նաև ազդվել է Կարլ Հյուիթի PLANNER-ից՝ մեթոդների օրինաչափորեն ուղղված կանչով հաստատողական տվյալների բազայից: Ավելի մանրամասն տեղեկությունների համար տե՛ս Prolog-ի ծագման մասին բաժինը PLANNER հոդվածում:

Prolog-ը նաև դեկլարատիվ ծրագրավորման տեսակ է: Ծրագրերը նկարագրող տրամաբանական դրույթները ուղղակիորեն մեկնաբանվում են՝ նշված ծրագրերը գործարկելու համար: Գործողությունների որևէ հստակ շարք չի պահանջվում, ինչպես դա տեղի է ունենում հրամայական ծրագրավորման լեզուների դեպքում:

Ճապոնիան ակտիվ առաջ մղեց Prolog-ը իր հինգերորդ սերնդի նախագծի համար՝ մտադրվելով ստեղծել բարձր արդյունավետության համար հատուկ սարքավորումներ: Նմանապես, LISP մեքենաները կառուցվել էին LISP-ը գործարկելու համար, բայց երբ երկրորդ արհեստական ​​բանականության բումը անկում ապրեց, այս ընկերությունները չկարողացան մրցակցել նոր աշխատանքային կայանների հետ, որոնք այժմ կարող էին LISP-ը կամ Prolog-ը գործարկել համեմատելի արագություններով:

Smalltalk-ը արհեստական ​​բանականության մեկ այլ ազդեցիկ ծրագրավորման լեզու էր: Օրինակ, այն ներմուծեց մետակլասերը և, Flavors-ի և CommonLoops-ի հետ միասին, ազդեց Common Lisp օբյեկտային համակարգի կամ (CLOS) վրա, որն այժմ Common Lisp-ի՝ ներկայիս ստանդարտ Lisp բարբառի մաս է կազմում: CLOS-ը Lisp-ի վրա հիմնված օբյեկտակողմնորոշված ​​համակարգ է, որը թույլ է տալիս բազմակի ժառանգում, բացի դասերի և մետակլասերի աստիճանական ընդլայնումներից, այդպիսով ապահովելով գործարկման ժամանակի մետա-օբյեկտի արձանագրություն:[88]

Որոնում

[խմբագրել | խմբագրել կոդը]

Որոնումը հայտնում է խնդիրների լուծման բազմաթիվ տեսակներում, ներառյալ պլանավորումը, սահմանափակումների բավարարումը և այնպիսի խաղեր խաղալը, ինչպիսիք են շաշկին, շախմատը և գո-ն: Արհեստական ​​բանականության որոնման ծառի որոնման ամենահայտնի ալգորիթմներն են՝ փնտրում դեպի լայնությունը, փնտրում դեպի խորությունը, A*-ն և Մոնտե Կառլո որոնումը: Բուլյան բավարարվածության հիմնական որոնման ալգորիթմներն են WalkSAT-ը, կոնֆլիկտի վրա հիմնված նախադասությունների ուսուցումը և DPLL ալգորիթմը: Խաղերի ժամանակ հակառակորդական որոնման համար ալֆա-բետա կտրումը, ճյուղավորումը և կապը և minimax-ը վաղ ներդրումներ էին։

Գիտելիքի ներկայացում և դատողություն

[խմբագրել | խմբագրել կոդը]

Ուսումնասիրվել են գիտելիքը ներկայացնելու և այդ ներկայացումներով դատողություն անելու բազմաթիվ մոտեցումներ: Ստորև ներկայացված է գիտելիքների ներկայացման և ավտոմատացված դատողության մոտեցումների համառոտ ակնարկ:

Գիտելիքի ներկայացում

[խմբագրել | խմբագրել կոդը]

Սեմանտիկ ցանցերը, կոնցեպտուալ գրաֆները, ֆրեյմերը և տրամաբանությունը գիտելիքների մոդելավորման մոտեցումներ են, ինչպիսիք են ոլորտի գիտելիքները, խնդիրների լուծման գիտելիքները և լեզվի սեմանտիկ իմաստը: Օնտոլոգիաները մոդելավորում են ոլորտի հիմնական հասկացությունները և դրանց փոխհարաբերությունները: Օրինակելի օնտոլոգիաներ են YAGO-ն, WordNet-ը և DOLCE-ն: DOLCE-ն վերին օնտոլոգիայի օրինակ է, որը կարող է օգտագործվել ցանկացած տիրույթի համար, մինչդեռ WordNet-ը բառապաշարային ռեսուրս է, որը կարող է նաև դիտվել որպես օնտոլոգիա: YAGO-ն իր օնտոլոգիայի մաս է կազմում WordNet-ը՝ Վիքիպեդիայից քաղված փաստերը WordNet սինթեզների հետ համապատասխանեցնելու համար: Հիվանդությունների օնտոլոգիան ներկայումս օգտագործվող բժշկական օնտոլոգիայի օրինակ է:

Դիսկրիպտիվ տրամաբանությունը օնտոլոգիաների ավտոմատ դասակարգման և դասակարգման մեջ տվյալների անհամապատասխանության հայտնաբերման տրամաբանություն է: OWL-ը լեզու է, որն օգտագործվում է օնտոլոգիաները դիսկրիպտիվ տրամաբանությամբ ներկայացնելու համար: Protégé-ն օնտոլոգիաների խմբագիր է, որը կարող է կարդալ OWL օնտոլոգիաներ և այնուհետև ստուգել համապատասխանությունը դեդուկտիվ դասակարգիչների, ինչպիսին HermiT-ն է, միջոցով:[89]

Առաջին կարգի տրամաբանությունն ավելի ընդհանուր է, քան դիսկրիպտիվ տրամաբանությունը: Թեորեմների ավտոմատացված ապացուցիչները կարող են ապացուցել թեորեմները առաջին կարգի տրամաբանությամբ: Horn նախադասության տրամաբանությունն ավելի սահմանափակ է, քան առաջին կարգի տրամաբանությունը և օգտագործվում է տրամաբանական ծրագրավորման լեզուներում, ինչպիսին է Prolog-ը: Առաջին կարգի տրամաբանության ընդլայնումները ներառում են ժամանակային տրամաբանություն՝ ժամանակը կառավարելու համար, իմացաբանական տրամաբանություն՝ գործակալի գիտելիքների վերաբերյալ դատողություններ անելու համար, մոդալ տրամաբանություն՝ հնարավորությունն ու անհրաժեշտությունը կառավարելու համար, և հավանականության տրամաբանություն՝ տրամաբանությունն ու հավանականությունը միասին կառավարելու համար:

Թեորեմի ավտոմատ ապացուցում

[խմբագրել | խմբագրել կոդը]

Առաջին կարգի տրամաբանության համար ավտոմատ թեորեմի ապացուցիչների օրինակներ են․

Դատողություններ գիտելիքների վրա հիմնված համակարգերում

[խմբագրել | խմբագրել կոդը]

Գիտելիքների վրա հիմնված համակարգերն ունեն հստակ գիտելիքների բազա, որը սովորաբար բաղկացած է կանոններից, որը մեծացնում է տարբեր տիրույթներում վերօգտագործելիության հնարավորությունը՝ առանձնացնելով պրոցեդուրային կոդը և ոլորտի գիտելիքները: Եզրակացության շարժիչը մշակում է կանոնները և ավելացնում, ջնջում կամ փոփոխում է գիտելիքների պահոցը։

Ուղիղ շղթայով եզրակացության շարժիչները ամենատարածվածն են և հանդիպում են CLIPS-ում և OPS5-ում: Հետադարձ շղթայովը տեղի է ունենում Prolog-ում, որտեղ օգտագործվում է ավելի սահմանափակ տրամաբանական ներկայացում՝ Horn Clauses: Prolog-ում օգտագործվում է նմուշների համապատասխանեցում, մասնավորապես՝ միավորում։

Խնդիրների լուծման ավելի ճկուն տեսակ է, երբ հետագա անելիքների մասին դատողություններ է արվում, այլ ոչ թե առկա գործողություններից մեկը ընտրվում: Այս տեսակի մետա-մակարդակի դատողությունները օգտագործվում են Soar-ում և BB1 blackboard ճարտարապետությունում:

ACT-R-ի նման ճանաչողական ճարտարապետությունները կարող են ունենալ լրացուցիչ հնարավորություններ, ինչպիսիք են հաճախակի օգտագործվող գիտելիքները ավելի բարձր մակարդակի կտորների մեջ խմբավորելու ունակությունը:

Առողջ դատողություն

[խմբագրել | խմբագրել կոդը]

Մարվին Մինսկին առաջինը առաջարկեց ֆրեյմերը որպես սովորական իրավիճակների, օրինակ՝ գրասենյակի մեկնաբանման միջոց, և Ռոջեր Շանկը տարածեց այս գաղափարը ամենօրյա սցենարների վրա, ինչպիսիք են դրսում ճաշելը: Սայքը փորձել է գրանցել առողջ բանականության օգտակար գիտելիքներ և մշակել «միկրո-տեսություններ»՝ ոլորտին բնորոշ դատողությունների որոշակի տեսակներ։

Որակական մոդելավորումը, ինչպիսին է Բենջամին Կոյպերսի QSIM-ն է,[90] մոտավոր կերպով ներկայացնում է մարդկային դատողությունները միամիտ ֆիզիկայի մասին, օրինակ՝ թե ինչ է պատահում, երբ մենք վառարանի վրա, կաթսայի մեջ հեղուկ ենք տաքացնում: Մենք ակնկալում ենք, որ այն կտաքանա և հնարավոր է՝ եռա, նույնիսկ եթե մենք չգիտենք դրա ջերմաստիճանը, եռման կետը կամ այլ մանրամասներ։

Ավտոմատացված պլանավորում

[խմբագրել | խմբագրել կոդը]

Ունիվերսալ խնդիրների լուծողը (GPS) պլանավորումը դիտարկում է որպես խնդիրների լուծում՝ պլաններ ստեղծելու համար օգտագործելով միջոցներ-նպատակ վերլուծություն: STRIPS-ը այլ մոտեցում է օգտագործում՝ պլանավորումը դիտարկելով որպես թեորեմի ապացուցում: Graphplan-ը պլանավորման նկատմամբ կիրառում է նվազագույն պարտավորությաունների մոտեցում, այլ ոչ թե սկզբնական վիճակից գործողությունների հաջորդական ընտրություն, կամ նպատակային վիճակից՝ հետընթաց աշխատելիս: Satplan-ը պլանավորման մոտեցում է, որտեղ պլանավորման խնդիրը հանգեցվում է բուլյան բավարարելիության խնդրի:

Բնական լեզվի մշակում

[խմբագրել | խմբագրել կոդը]

Բնական լեզվի մշակումը կենտրոնանում է լեզուն որպես տվյալ դիտարկելու վրա՝ կատարելու այնպիսի առաջադրանքներ, ինչպիսիք են թեմաների նույնականացումը, ընդ որում նախատեսված իմաստը հասկանալը պարտադիր չէ: Բնական լեզվի ըմբռնումը, ընդհակառակը, կառուցում է իմաստի ներկայացում և այն օգտագործում ​​հետագա մշակման համար։

Վերլուծությունը, տոկենիզացիան, ուղղագրության շտկումը, խոսքի մասի պիտակավորումը, գոյականների և բայերի խմբավորումը բնական լեզվի մշակման բոլոր ասպեկտներն են, որոնք երկար ժամանակ կարգավորվել են սիմվոլիկ արհեստական ​​բանականության կողմից, բայց հետագայում բարելավվել են խորը ուսուցման մոտեցումներով: Սիմվոլիկ արհեստական ​​բանականության մեջ դիսկուրսի ներկայացման տեսությունը և առաջին կարգի տրամաբանությունը օգտագործվել են նախադասությունների իմաստները ներկայացնելու համար: Լատենտ սեմանտիկ վերլուծությունը (LSA) և բացահայտ սեմանտիկ վերլուծությունը նույնպես ապահովել են փաստաթղթերի վեկտորային ներկայացումներ: Վերջին դեպքում վեկտորային բաղադրիչները մեկնաբանելի են որպես Վիքիպեդիայի հոդվածների հասկացություններ։

Տրանսֆորմեր մոդելների վրա հիմնված խորը ուսուցման նոր մոտեցումները այժմ գերազանցել են այս նախկին սիմվոլիկ արհեստական ​​բանականության մոտեցումները և հասել են բնական լեզվի մշակման ժամանակակից կատարողականի: Այնուամենայնիվ, Տրանսֆորմեր մոդելները անթափանց են և դեռևս չեն ստեղծում մարդու կողմից մեկնաբանելի իմաստային ներկայացումներ նախադասությունների և փաստաթղթերի համար: Դրա փոխարեն, դրանք ստեղծում են առաջադրանք-սպեցիֆիկ վեկտորներ, որտեղ վեկտորային բաղադրիչների իմաստը պարզ չէ:

Գործակալներ և բազմագործակալ համակարգեր

[խմբագրել | խմբագրել կոդը]

Գործակալները ինքնավար համակարգեր են, որոնք ներդրված են միջավայրում, որը նրանք ընկալում են և դրանում գործում են: Ռասելի և Նորվիգի արհեստական ​​բանականության վերաբերյալ ստանդարտ դասագիրքը կազմակերպված է այնպես, որ արտացոլի աճող բարդության գործակալի ճարտարապետությունները:[91] Գործակալների բարդությունը տատանվում է պարզ ռեակտիվ գործակալներից մինչև աշխարհի մոդել և ավտոմատացված պլանավորման հնարավորություններ ունեցող գործակալներ, հնարավոր է՝ BDI գործակալ, այսինքն՝ համոզմունքներ, ցանկություններ և մտադրություններ ունեցող մեկը, կամ այլընտրանքորեն՝ ժամանակի ընթացքում գործողություններ ընտրելու համար սովորած ուժեղացված ուսուցման մոդել՝ մինչև այլընտրանքային ճարտարապետությունների համադրություն, ինչպիսին է նեյրո-սիմվոլիկ ճարտարապետությունը[87], որը ներառում է խորը ուսուցում:[92]

Ի տարբերություն դրա, բազմագործակալ համակարգը բաղկացած է բազմաթիվ գործակալներից, որոնք միմյանց հետ շփվում են միջագլործակալային հաղորդակցման լեզվով, ինչպիսին է Knowledge Query and Manipulation Language (KQML): Գործակալները պարտադիր չէ, որ բոլորը ունենան նույն ներքին ճարտարապետությունը: Բազմագլործակալ համակարգերի առավելություններից են աշխատանքը գործակալների միջև բաժանելու և սխալների նկատմամբ հանդուրժողականությունը մեծացնելու ունակությունը: Հետազոտական ​​խնդիրները ներառում են, թե ինչպես են գործակալները հասնում կոնսենսուսի, խնդիրների լուծման բաշխում, բազմաագործակալ ուսուցում և բազմաագործակալ պլանավորում։

Ծանոթագրություններ

[խմբագրել | խմբագրել կոդը]
  1. ↑ Garnelo, Marta; Shanahan, Murray (2019 թ․ հոկտեմբեր). «Reconciling deep learning with symbolic artificial intelligence: representing objects and relations». Current Opinion in Behavioral Sciences. 29: 17–23. doi:10.1016/j.cobeha.2018.12.010. hdl:10044/1/67796.
  2. ↑ Կաղապար:Cite SEP
  3. ↑ Garnelo, Marta; Shanahan, Murray (2019-10-01). «Reconciling deep learning with symbolic artificial intelligence: representing objects and relations». Current Opinion in Behavioral Sciences (անգլերեն). 29: 17–23. doi:10.1016/j.cobeha.2018.12.010. hdl:10044/1/67796. S2CID 72336067.
  4. 1 2 Kolata, 1982
  5. ↑ Newell, Allen; Simon, Herbert A. (1976-03-01). «Computer science as empirical inquiry: symbols and search». Commun. ACM. 19 (3): 113–126. doi:10.1145/360018.360022. ISSN 0001-0782.
  6. ↑ Kautz, 2022, էջեր 107-109
  7. ↑ Russell, Norvig, էջ 19
  8. ↑ Russell, Norvig, էջեր 22-23
  9. 1 2 Kautz, 2022, էջեր 109-110
  10. 1 2 Kautz, 2022, էջ 110
  11. ↑ Kautz, 2022, էջեր 110-111
  12. ↑ Russell, Norvig, էջ 25
  13. ↑ Kautz, 2022, էջ 111
  14. ↑ Kautz, 2020, էջեր 110-111
  15. ↑ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (1986). «Learning representations by back-propagating errors». Nature. 323 (6088): 533–536. Bibcode:1986Natur.323..533R. doi:10.1038/323533a0. ISSN 1476-4687. S2CID 205001834.
  16. ↑ LeCun, Y.; Boser, B.; Denker, I.; Henderson, D.; Howard, R.; Hubbard, W.; Tackel, L. (1989). «Backpropagation Applied to Handwritten Zip Code Recognition». Neural Computation. 1 (4): 541–551. doi:10.1162/neco.1989.1.4.541. S2CID 41312633.
  17. ↑ Marcus, Davis
  18. 1 2 Kautz, 2020
  19. ↑ Kautz, 2022, էջ 106
  20. ↑ Newell, Simon
  21. ↑ , McCorduck, էջեր 139–179, 245–250, 322–323 (EPAM)
  22. ↑ Crevier, 1993, էջեր 145–149
  23. 1 2 3 Kautz, 2022
  24. ↑ Russell, Norvig, p. 9 (logicist AI), p. 19 (McCarthy's work)
  25. ↑ Maker, 2006
  26. ↑ McCorduck, 2004, էջեր 100–101
  27. ↑ Russell, Norvig, էջ 2
  28. ↑ McCorduck, 2004, էջեր 251–259
  29. ↑ Crevier, 1993, էջեր 193–196
  30. ↑ Howe, 1994
  31. ↑ McCorduck, 2004, էջեր 259–305
  32. ↑ Crevier, 1993, էջեր 83–102, 163–176
  33. ↑ Russell, Norvig, էջ 19
  34. ↑ McCorduck, 2004, էջեր 421–424, 486–489
  35. ↑ Crevier, 1993, էջ 168
  36. ↑ McCorduck, 2004, էջ 489
  37. ↑ Crevier, 1993, էջեր 239–243
  38. ↑ Russell, Norvig, էջ 316, 340
  39. ↑ McCorduck, 2004, էջեր 266–276, 298–300, 314, 421
  40. ↑ Russell, Norvig, էջեր 22–23
  41. ↑ Shustek, Len (2010 թ․ հունիս). «An interview with Ed Feigenbaum». Communications of the ACM. 53 (6): 41–45. doi:10.1145/1743546.1743564. ISSN 0001-0782. S2CID 10239007. Վերցված է 2022-07-14-ին.
  42. ↑ Lenat, Douglas B; Feigenbaum, Edward A (1988). «On the thresholds of knowledge». Proceedings of the International Workshop on Artificial Intelligence for Industrial Applications. էջեր 291–300. doi:10.1109/AIIA.1988.13308. S2CID 11778085.
  43. ↑ Russell, Norvig, էջեր 22–24
  44. ↑ McCorduck, 2004, էջեր 327–335, 434–435
  45. ↑ Crevier, 1993, էջեր 145–62, 197–203
  46. ↑ Russell, Norvig, էջ 23
  47. 1 2 Clancey, 1987
  48. 1 2 Shustek, Len (2010). «An interview with Ed Feigenbaum». Communications of the ACM. 53 (6): 41–45. doi:10.1145/1743546.1743564. ISSN 0001-0782. S2CID 10239007. Վերցված է 2022-08-05-ին.
  49. ↑ «The fascination with AI: what is artificial intelligence?». IONOS Digitalguide (անգլերեն). Վերցված է 2021-12-02-ին.
  50. ↑ Hayes-Roth, Murray
  51. ↑ Hayes-Roth, Barbara (1985). «A blackboard architecture for control». Artificial Intelligence. 26 (3): 251–321. doi:10.1016/0004-3702(85)90063-3.
  52. ↑ Russell, Norvig, էջ 25
  53. ↑ Pearl, 1988
  54. ↑ Spiegelhalter, Dawid
  55. ↑ Russell, Norvig, էջեր 335-337
  56. ↑ Russell, Norvig, էջ 459
  57. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  58. ↑ Quinlan, J. Ross (1992-10-15). C4.5: Programs for Machine Learning (1st ed.). San Mateo, Calif: Morgan Kaufmann. ISBN 978-1-55860-238-0.
  59. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  60. ↑ Valiant, L. G. (1984-11-05). «A theory of the learnable». Communications of the ACM. 27 (11): 1134–1142. doi:10.1145/1968.1972. ISSN 0001-0782. S2CID 12837541.
  61. ↑ Koedinger, K. R.; Anderson, J. R.; Hadley, W. H.; Mark, M. A.; others (1997). «Intelligent tutoring goes to school in the big city». International Journal of Artificial Intelligence in Education. 8: 30–43. Վերցված է 2012-08-18-ին. Քաղվածելու սխալ՝ Invalid parameter ""pump"" in <ref> tag. The supported parameters are: details, dir, follow, group, name.
  62. ↑ Shapiro, Ehud Y (1981). «The Model Inference System». Proceedings of the 7th international joint conference on Artificial intelligence. IJCAI. Vol. 2. էջ 1064.
  63. ↑ Manna, Zohar; Waldinger, Richard (1980-01-01). «A Deductive Approach to Program Synthesis». ACM Trans. Program. Lang. Syst. 2 (1): 90–121. doi:10.1145/357084.357090. S2CID 14770735.
  64. ↑ Schank, Roger C. (1983-01-28). Dynamic Memory: A Theory of Reminding and Learning in Computers and People. Cambridge Cambridgeshire: New York: Cambridge University Press. ISBN 978-0-521-27029-8.
  65. ↑ Hammond, Kristian J. (1989-04-11). Case-Based Planning: Viewing Planning as a Memory Task. Boston: Academic Press. ISBN 978-0-12-322060-8.
  66. ↑ Koza, John R. (1992-12-11). Genetic Programming: On the Programming of Computers by Means of Natural Selection (1st ed.). Cambridge, Mass: A Bradford Book. ISBN 978-0-262-11170-6.
  67. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  68. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  69. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  70. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  71. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  72. ↑ Lua error in Մոդուլ:Harvc at line 22: attempt to call local 'whitelist_check' (a nil value).
  73. ↑ Korf, Richard E. (1985). Learning to Solve Problems by Searching for Macro-Operators. Research Notes in Artificial Intelligence. Pitman Publishing. ISBN 0-273-08690-1.
  74. ↑ Rossi, Francesca. «Thinking Fast and Slow in AI». AAAI. Վերցված է 2022 թ․ հուլիսի 5-ին.
  75. ↑ Selman, Bart. «AAAI Presidential Address: The State of AI». AAAI. Վերցված է 2022 թ․ հուլիսի 5-ին.
  76. ↑ Valiant, 2008
  77. 1 2 Garcez, Besold
  78. ↑ Marcus, 2020, էջ 44
  79. ↑ Marcus, 2020, էջ 17
  80. ↑ Rossi, 2022
  81. ↑ Selman, 2022
  82. ↑ Garcez, Lamb, էջ 2
  83. ↑ Garcez, Broda
  84. ↑ http://www.neural-symbolic.org
  85. ↑ Rocktäschel, Tim; Riedel, Sebastian (2016). «Learning Knowledge Base Inference with Neural Theorem Provers». Proceedings of the 5th Workshop on Automated Knowledge Base Construction. San Diego, CA: Association for Computational Linguistics. էջեր 45–50. doi:10.18653/v1/W16-1309. Վերցված է 2022-08-06-ին.
  86. ↑ Serafini, Luciano; Garcez, Artur d'Avila (2016), Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge, arXiv:1606.04422
  87. 1 2 Garcez, Artur d'Avila; Lamb, Luis C.; Gabbay, Dov M. (2009). Neural-Symbolic Cognitive Reasoning (English) (1st ed.). Berlin-Heidelberg: Springer. Bibcode:2009nscr.book.....D. doi:10.1007/978-3-540-73246-4. ISBN 978-3-540-73245-7. S2CID 14002173.{{cite book}}: CS1 սպաս․ չճանաչված լեզու (link)
  88. ↑ Kiczales, Gregor; Rivieres, Jim des; Bobrow, Daniel G. (1991-07-30). The Art of the Metaobject Protocol (1st ed.). Cambridge, Mass: The MIT Press. ISBN 978-0-262-61074-2.
  89. ↑ Motik, Boris; Shearer, Rob; Horrocks, Ian (2009-10-28). «Hypertableau Reasoning for Description Logics». Journal of Artificial Intelligence Research. 36: 165–228. arXiv:1401.3485. doi:10.1613/jair.2811. ISSN 1076-9757. S2CID 190609.
  90. ↑ Kuipers, Benjamin (1994). Qualitative Reasoning: Modeling and Simulation with Incomplete Knowledge. MIT Press. ISBN 978-0-262-51540-5.
  91. ↑ Russell, Norvig
  92. ↑ Leo de Penning, Artur S. d'Avila Garcez, Luís C. Lamb, John-Jules Ch. Meyer: "A Neural-Symbolic Cognitive Agent for Online Learning and Reasoning." IJCAI 2011: 1653-1658
Ստացված է «https://hy.wikipedia.org/w/index.php?title=Սիմվոլիկ_ԱԲ&oldid=10830682» էջից