Что играют сейчас и будут играть в будущем базы знаний? Задать вопрос

Задано 9 лет назад Изменено сегодня Просмотрено 2 тыс. раз

16 $\begingroup$ В настоящее время искусственный интеллект по сути равен машинному обучению, особенно глубокому обучению. Некоторые утверждали, что глубокое обучение заменит человеческих экспертов, традиционно очень важных для проектирования признаков (feature engineering) в этой области. Говорят, что два прорыва заложили основу для подъема глубокого обучения: с одной стороны, нейронаука и, в частности, нейропластичность говорят нам о том, что, как и человеческий мозг, обладающий высокой пластичностью, искусственные сети могут быть использованы для моделирования почти всех функций; с другой стороны, увеличение вычислительной мощности, особенно появление GPU и FPGA, чудесным образом повысило алгоритмическую интуицию и сделало модели, созданные десятилетия назад, невероятно мощными и универсальными. Я добавлю, что также важны большие данные (в основном размеченные данные), накопленные за последние годы. Такие разработки открывают новую эру для компьютерного зрения (и распознавания речи), но в области обработки естественного языка и экспертных систем ситуация не сильно изменилась. Достижение здравого смысла для нейронных сетей – задача непростая, но большинство предложений, разговоров и коротких текстов содержат выводы, которые должны быть сделаны из знаний о мире на основе опыта. Таким образом, построение графов знаний имеет большое значение для искусственного интеллекта. Нейронные сети могут использоваться для создания баз знаний, но, похоже, нейронным сетям моделей трудно использовать эти построенные базы знаний. Мои вопросы: является база знаний (например, "knowledge graph", как это определено Google) перспективным направлением в области ИИ? Если да, то какими способами KB может расширить возможности машинного обучения? Как мы можем включить дискретные скрытые переменные в NLU и NLG? Для выживания в эпоху, доминируемой DL, где направление базы знаний (или общая символьный подход)? Является Wolfram-подобный z динамической базой знаний новым направлением? Или какие-либо новые направления? Пропускаю ли я что-то фундаментальное или идеи, которые решают эти проблемы? natural-language-processing knowledge-representation expert-systems symbolic-computing knowledge-base Поделиться Улучшить вопрос Следить за редактированием 19 февраля 2020 г. в 0:54 nbro 43,5 тыс. 14 14 золотые значки 122 122 серебряные значки 222 222 бронзовые значки задано 5 марта 2017 г. в 7:07 Lerner Zhang 1 065 1 1 золотой значок 9 9 серебряных значков 22 22 бронзовых значков $\endgroup$ 2 1 $\begingroup$ Я работал в крупной IT компании, которая когда-то продавала продукты на основе ИИ. Проблема с нейронным сетевым подходом заключается в том, что базы знаний нет. Поэтому без каких-либо правил нейронная сеть не может объяснить "почему". Обучение нейронной сети и последующее формирование правил, которые дублируют сеть, даст вам такие ответы. Но не существует никакой формы машинного обучения, которая сейчас способна на такое поведение. $\endgroup$ MaxW – MaxW 2017-03-06 17:59:03 +00:00 Комментировано 6 марта 2017 г. в 17:59 $\begingroup$ Я узнал из этого подкаста (Knowledge Base Construction, с Себастьяном Риделем) что база знаний пока не применима для моделей NLP. $\endgroup$ Lerner Zhang – Lerner Zhang 2021-01-01 08:25:37 +00:00 Комментировано 1 января 2021 г. в 8:25 Добавить комментарий | 5 Отсортировано по: Сбросить до значения по умолчанию Наивысший балл (по умолчанию) Измененная дата (от новых к старым) Созданная дата (от старых к новым) 6 $\begingroup$ Прежде всего, я хотел бы отметить основные различия между базой знаний и (Глубоким) машинным обучением, особенно когда основной фокус – это "ИИ", а не "Data Science": НС подобны черному ящику; Даже если они учатся на наборе данных и приобретают силу обобщения над предметной областью, вы никогда не узнаете, как они работают. Если вы изучите детали разработанной модели, вы увидите только цифры, веса, сильные и слабые связи и преобразовательные функции. Шаг "извлечения признаков" перед фазой обучения буквально говорит вам: «Эй, человек, хватит тебя».