Si. Desarrollamos muchos mecanismos poderosos en torno a la IA simbólica: inferencia lógica, satisfacción de restricciones, planificación, procesamiento del lenguaje natural, incluso inferencia probabilística. Podemos resolver problemas de órdenes de magnitud más rápido de lo que solíamos, porque estos algoritmos son muy buenos. Sería una pena renunciar a todo eso. Creo que un área de investigación interesante es volver a cada uno de estos enfoques e investigar qué sucede cuando los símbolos atómicos son reemplazados por símbolos no atómicos, como las incrustaciones de palabras producidas por word2vec o mecanismos similares.
Aquí hay un ejemplo. Supongamos que tiene estos “hechos” lógicos:
- La gente puede hablar
- Los animales no humanos no pueden hablar.
- Los personajes de dibujos animados similares a los humanos pueden hablar.
- El pez puede nadar.
- Un pez es un animal no humano.
- Nemo es un personaje de dibujos animados humano.
- Nemo es un pez.
Ahora preguntamos:
- Cómo usar Azure Machine Learning para la clasificación de documentos
- ¿Qué técnicas de aumento de datos están disponibles para el aprendizaje profundo en texto?
- ¿Qué son las redes de iteración de valor?
- ¿Por qué la regresión logística se considera robusta a los valores atípicos en comparación con un método de mínimos cuadrados?
- ¿Cuáles son algunos de los temas candentes que se están investigando actualmente en la escucha de máquinas / procesamiento de audio?
- ¿Puede hablar Nemo?
- ¿Puede nadar Nemo?
La lógica tiene dos grandes problemas para representar y razonar con este escenario. Primero, estos hechos tienen excepciones, y Logic tiene dificultades para enumerar todas las formas en que pueden ocurrir excepciones, y tiene problemas para deducir si se equivoca. En segundo lugar, la lógica se rompe cuando hay una contradicción, y aquí puede obtener la contradicción de que Nemo puede hablar y no hablar. Tal vez podamos usar incrustaciones de palabras para abordar estos problemas. ¿Necesitaremos también una incrustación de modus ponens ? En lugar de aprender una regla abstracta para “Si A y A implica B, entonces B”, ¿podemos aprender cuándo es apropiado aplicar dicha regla y cuándo no lo es? Creo que esta es un área excelente para la investigación.
Otro punto: muchas de las llamadas técnicas de IA simbólica también son solo buenos algoritmos informáticos. Por ejemplo, la búsqueda, ya sea A * o Ant Colony Optimization, o lo que sea, es un algoritmo clave, que siempre será útil. Incluso AlphaGo, que se basó en Deep Learning, incluye un componente de búsqueda.