Экспертные системы мертвы? - PullRequest
0 голосов
/ 10 мая 2019

Помимо моды на машинное обучение, анализ данных и обучение с подкреплением, что происходит в области экспертных систем и символического ИИ?

Существует множество областей, в которых машинное обучение не может использоваться по разным причинам (отсутствие данных, крайне важные задачи, необходимость воспроизводимости ...). Как справиться с обучением в системах, в которых операторы сегодня играют доминирующую роль и где их знания считаются несомненными лицом к знаниям, полученным в любой системе обучения?

В такой области все еще используются традиционные конструкции встраиваемых систем со встроенным C в реальном времени, иногда сборкой и VHDL (что считается новейшей технологией, которая нуждается в доказательстве), на довольно старой полностью квалифицированной SoC. Объединяя эти технологии со всеми ранее упомянутыми ограничениями (данные, безопасность, знания оператора), мы получаем идеального кандидата для экспертных систем, систем, основанных на знаниях, и механизмов на основе правил / умозаключений. Там, где данные доступны для чтения / просмотра без запуска новых операций обучения и проверки.

С другой стороны, системы ML считаются хорошими кандидатами для выполнения конкретных задач, таких как обработка сигналов, распознавание форм, ... когда данных (иногда) много.

Чем дальше, тем больше мы видим алгоритмов глубокого обучения, пытающихся решить проблемы с решениями, учась на симуляциях с низкой точностью и миллиардом попыток. Уровень ожиданий систем ML кажется мне трудным для совета в сильно ограниченных промышленных приложениях, где изучение нового варианта использования может быть иногда невозможно (например, доставка продукта клиенту и его конфиденциальность).

Точнее, как вы можете создавать интеллектуальные системы в такой промышленной области, не считая себя устаревшим инженером, предлагающим Good-Old-Fashion-AI вместо того, чтобы следовать тенденции, ориентированной на ML / Data? Экспертные системы и системы, основанные на знаниях, мне кажутся иногда единственными решениями для указанного конкретного контекста.

А как насчет современных приложений, где принимаются критические решения? Какие типы двигателей логического вывода используются (банки, автомобильная промышленность, аэронавтика)? Мы называем их экспертными системами? И с вашей точки зрения, у GOFAI все еще есть запас прогресса, чтобы сделать сегодняшние системы умнее?

1 Ответ

0 голосов
/ 10 мая 2019

Символический ИИ, как и экспертные системы, в целом потерпел неудачу из-за «фреймовой проблемы», из-за которой мир меняется, пока экспертная система вычисляет свой ответ. По сути, система не может идти в ногу с изменяющимся миром.

Там, где мир не меняется, кроме как под влиянием системы ИИ, то есть закрытой вселенной, системы символического ИИ работают довольно хорошо. Это часто называют допущением STRIPS, потому что проблема тогда открыта для решения, используя планировщик STRIPS. https://artint.info/html/ArtInt_204.html описывает это более подробно.

Другие алгоритмы символьного ИИ, такие как A * поиск графиков и интеллектуальный возврат, широко используются в разработке программного обеспечения. Проще говоря, экспертные системы пытаются найти целевое решение проблемы, применяя последовательности правил производства. Это часто включает попытки использовать вероятностную информацию.

Символические системы также сложнее с точки зрения машинного обучения. Машинное обучение возможно, но обычно эти системы требуют построения больших баз правил. Отсюда и недавний интерес к НС.

Вы можете получить более взвешенные и информированные ответы, если вы разместите это на доске AI.

...